کاهش هزینه و ریسک درمان بیماران با استفاده از سیستم ابداعی

به گزارش خبرنگاران به نقل از دانشگاه صنعتی امیرکبیر، راحله داودی کهکی، مجری طرح طراحی مدل عمیق فازی مبتنی بر تجرید داده های زمانی برای مقاصد پیش آگهی پزشکی گفت: حجم بالا، ناهمگون بودن، ثبت های نامنظم زمانی و عدم توازن کلاسی ویژگی های داده های کلینیکی و پزشکی هستند؛ وجود داده های پراکنده و وسیع منجر به پیچیدگی فرآیند تحلیل توسط پزشک می شود از این رو بهره گیری از روش های ماشینی در مدل های تشخیصی و پیش آگهی پزشکی امری متداول شده است.

کاهش هزینه و ریسک درمان بیماران با استفاده از سیستم ابداعی

وی در عین حال غفلت از قابلیت تفسیرپذیری مدل توسط پزشک، ناتوانی در به کارگیری دانش پزشکی در فرآیند یادگیری و داده کاوی و عدم توجه به زمان با حفظ ماهیت اطلاعات را از جمله مسائل بسکمک از روش های داده کاوی پزشکی مطرح نمود و گفت: برای این منظور در این رساله، با استفاده از دادگان عظیم MIMIC که شامل پرونده های پزشکی بیماران بستری در بخش مراقبت های ویژه در طول مدت بیش از یک دهه بود، چارچوبی مبتنی بر هم جوشی طراحی کردیم که قادر به تلفیق اطلاعات از منابع گوناگون است.

مجری طرح افزود: برای این منظور در ابتدا با توجه به اهمیت نقش تشخیص دانش پزشکی در تحلیل های پزشکی، مدل احتمالاتی بر اساس تشخیص پزشک ارائه شد و سپس بر مبنای رویکرد تفسیر پذیر و با توجه به عدم قطعیت موجود در دانش پزشکی، قواعد فازی مبتنی بر رخدادهای زمانی معرفی شد.

وی رویکرد مورد استفاده در استخراج قواعد فازی زمانی در این تحقیق را تجریدهای زمانی دانست و ادامه داد: تجریدهای زمانی قادر هستند اطلاعات خام سری های زمانی را به سطح بالاتری از اطلاعات تبدیل کند. یکی از پیشنهادهای ارائه شده در این رساله، تجریدهای زمانی فازی است که علاوه بر توجه به ماهیت زمانی سری های زمانی، با استخراج بازه های زمانی فازی به تحلیل روابط زمانی رخدادها می پردازد.

این محقق خاطر نشان کرد: در فرآیند تصمیم گیری، با هدف هم جوشی تصمیم های پزشک متخصص، قواعد فازی زمانی در کنار اطلاعات دیگر، دو چارچوب فازی عمیق برای هم جوشی اطلاعات ناهمگون پیشنهاد شد.

وی چالش اصلی اجرای این تحقیقات را دسترسی به پایگاه داده با تعداد قابل توجه پرونده های پزشکی ذکر کرد و یادآور شد: در این کار نیاز به یک پایگاه داده با تعداد قابل توجه پرونده پزشکی برای آموزش مدل داشتیم و از آنجایی که در کشور پرونده های پزشکی مناسبی در داخل کشور وجود نداشت، ناگزیر به پرونده های پزشکی الکترونیکی خارجی روی آوردیم.

داودی با اشاره به کاربردهای نتایج این تحقیقات یادآور شد: رویکرد تحلیل داده های کلان با نگاه ترکیبی در بسکمک از حوزه ها کاربرد دارد و نتیجه این پژوهش نیز روی تحلیل دادگان ناهمگون به منظور طراحی یک سیستم پیش بینی و تشخیصی در پزشکی است که در کلیه مراکز درمانی و تحقیق با دارا بودن یک پایگاه داده قابل پیاده سازی و استفاده هستند.

به گفته وی از این مطالعات 4 مقاله روش یادگیری عمیق فازی معرفی شده برای تحلیل داده های پزشکی، کاربرد سطح بندی شدت افسردگی با استفاده از روش یادگیری عمیق فازی، تعیین اتصالات مغزی با استفاده از روش یادگیری عمیق فازی و تصمیم گیری برای پیش بینی مرگ و میر در بخش مراقبت های ویژه مبتنی بر تحلیل داده های متنوع و ناهمگون پزشکی با استفاده از رویکرد عمیق فازی استخراج شده است.

وی قابلیت تعامل با پزشک، تحلیل داده های کلان پرونده های پزشکی، کمک در کاهش هزینه های درمان و پزشکی، کمک به کاهش ریسک درمان و تشخیص های نادرست، کمک در تصمیم گیری در شرایطی که پزشک حضور نداشته باشد را از مزایای این روش دانست.

داودی خاطر نشان کرد: از این روش می توان برای سیستم های تشخیصی پزشکی، سیستم های تصمیم یار پزشکی، تصمیم گیری برای انجام روند خاصی از درمان و تشخیص در شرایطی که تجهیزات تشخیصی گران باشد یا در دسترس نباشد بهره برد.

این طرح از سوی راحله داودی کهکی دانش آموخته و با راهنمایی دکتر محمد حسن مرادی عضو هیأت علمی دانشگاه صنعتی امیرکبیر اجرایی شد.

منبع: خبرگزاری مهر
انتشار: بروزرسانی: 16 تیر 1398 شناسه مطلب: 186

به "کاهش هزینه و ریسک درمان بیماران با استفاده از سیستم ابداعی" امتیاز دهید

امتیاز دهید:

دیدگاه های مرتبط با "کاهش هزینه و ریسک درمان بیماران با استفاده از سیستم ابداعی"

* نظرتان را در مورد این مقاله با ما درمیان بگذارید