|
Title
|
یکپارچه سازی داده های کلینیکی بیمارستان و بیماران به منظور تشخیص شباهت بیماری با استفاده از روش های یادگیری ماشین
|
|
Type of Research
|
Thesis
|
|
Keywords
|
شباهت بیمار، برنامه های کاربردی زیست پزشکی، یادگیری ماشین، یکپارچه سازی داده های کلینیکی بیمارستان
|
|
Abstract
|
اکثر مردم برای تصمیم گیری در مورد مسائل مختلف مربوط به زندگی، به دنبال نمونه هایی از افراد دیگر در زمینه های مشابه هستند. پزشکان نیز از این قاعده مستثنی نیستند. آن ها، ورودی ها را دریافت کرده، یاد می گیرند و بر اساس تجربه قبلی خود در رسیدگی به موارد مختلف، عمل تشخیص و درمان را انجام می دهند. به طور مشابه، بیماران نیز به دنبال راهنمایی، توصیه ها و درمان های پزشکی از سوی سایر بیمارانی هستند که از شرایط سلامتی مشابه رنج می برند. بسیاری از وب سایت های حوزه سلامت، امکان اشتراک گذاری اطلاعات بین بیماران و ارائه مشاوره از کارکنان مراقبت های بهداشتی را فراهم می کنند. درنتیجه، مراقبت از بیمار بهبودیافته و تحقیقات پزشکی واقع بینانه و سریع تر می شود.
در این پژوهش، پیداکردن بیماران و بیماری های شبیه به هم عنصر کلیدی محسوب می شود. هدف از تجزیه و تحلیل شباهت بیمار، طبقه بندی بیماران در حوزه های مختلف پزشکی برای به دست آوردن بینش بیشتر، در مورد مکانیزم های بیماری است. مراجعات بیمار نقش پر رنگی در به درست آوردن تشابه بیماران دارد این مراجعات شامل جدول زمانی خدمات و رویدادهای پزشکی از پذیرش تا ترخیص یا مرگ هست. یک فرض مهم این است که نتایج به دست آمده با استفاده از مدل های پیش بینی که بر روی داده های بیماران مشابه آموزش دیده اند، قابل اعتمادتر از آن هایی است که با استفاده از همه داده های موجود به دست می آیند. اگر سیستم های بهداشت و درمان بتوانند شباهت های بیماران را تشخیص دهند، هم تعیین نحوه درمان تسریع خواهد شد و هم هزینه کمتری به بیمار، سیستم درمان و شرکت های بیمه تحمیل می شود. چرا که دقت کار به واسطه استفاده از تجارب قبلی درمانگر و حتی تجارب سایرین، افزایش یافته و اشتباهات قبلی تکرار نمی شود.
یکی از رویکردهای متداول برای شناسایی شباهت های بیماران، استفاده از شبکه شباهت بیماران است. در این شبکه ها برای ساخت مدل، از داده های متنوع بیماران استفاده می شود، داده هایی مانند اطلاعات ژنوتیپی، فنوتیپی، محیطی و حتی سبک زندگی افراد که هرکدام دیدگاه های متفاوتی از بیمار و بیماری در اختیار ما قرار می دهند. با به کارگیری این داده ها، بینش های مختلفی کسب شده و مدل سازی جامع تر و دقیق تر انجام می شود. باید به این نکته توجه کرد که یکپارچه سازی این داده ها چالش برانگیز است و برای دست یابی به اطلاعا
|
|
Researchers
|
(Student)، Mohammad Khodizadeh-Nahari (Primary Advisor)، Alireza Rouhi (Advisor)
|