مدیریت اطلاعات سلامت
صبا پایدار؛ غلامعلی رئیسی اردلی؛ حسین رئیسی دزکی
چکیده
مقدمه: امروزه، بیمارستانها با چالشهایی مانند ازدحام در بخش اورژانس و افزایش بینظمی و اختلال در کار پرسنل مواجه هستند که سبب افزایش نارضایتی بیماران میشود. با پیشرفت هوش مصنوعی و گسترش علم دادهکاوی، پیشبینی پذیرش بیماران اهمیت زیادی پیدا کرده است. هدف این پژوهش، پیشبینی پذیرش بیماران بخش اورژانس در بیمارستان امامعلی ...
بیشتر
مقدمه: امروزه، بیمارستانها با چالشهایی مانند ازدحام در بخش اورژانس و افزایش بینظمی و اختلال در کار پرسنل مواجه هستند که سبب افزایش نارضایتی بیماران میشود. با پیشرفت هوش مصنوعی و گسترش علم دادهکاوی، پیشبینی پذیرش بیماران اهمیت زیادی پیدا کرده است. هدف این پژوهش، پیشبینی پذیرش بیماران بخش اورژانس در بیمارستان امامعلی (ع) شهرکرد است.
روش بررسی: در این پژوهش، 2180 پرونده بیماران بخش اورژانس بیمارستان مورد بررسی قرار گرفت و اطلاعات اولیه بیماران شامل مشخصات فردی، علائم حیاتی بیمار و سطح تریاژ که توسط پرستاران در فرم تریاژ ثبت شده بود، استخراج شد. با استفاده از ماتریس مقایسات زوجی، ویژگیهای مؤثر توسط خبرگان انتخاب شدند. سپس با استفاده از الگوریتمهای بیز ساده، درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان، دادهها طبقهبندی شدند.
یافتهها: از بین ۱۴ ویژگی جمعآوری شده، ۹ ویژگی منتخب توسط خبرگان انتخاب شد و نتایج نشان داد که الگوریتم جنگل تصادفی با دقت ۲/۹۲ درصدوحساسیت 96 درصد وصحت 3/86 درصد نسبت به الگوریتم های بیز ساده ، ماشین بردار پشتیبان ودرخت تصمیم بهترین عملکرد را در پیشبینی پذیرش بیماران این مطالعه موردی داشته است.
نتیجهگیری: نتایج نشان میدهد که دقت مدلهای یادگیری ماشین با استفاده از نظرات خبرگان در انتخاب ویژگیهابیشتر میشود و و با توجه به حوزه مورد مطالعه، الگوریتمهای یادگیری ماشین نتایج متفاوتی دارند که در این مطالعه الگوریتم جنگل تصادفی بهترین عملکرد را در پیشبینی پذیرش بیماران داشته است.
لیلا برادران سرخابی؛ فرهاد سلیمانیان قرهچپق؛ جعفر شهامفر
چکیده
مقدمه: دادهکاوی، ابزار کارامدی جهت آشکارسازی دانش نهفته در کلاندادههای پزشکی میباشد. اولین قدم دادهکاوی، شناخت داده و چالشهای آن است. هدف از انجام پژوهش حاضر، بررسی سرمنشأ، تأثیرات و راهکارهای مواجهه با چالشهای کاوش کلاندادههای پزشکی و همچنین، تعیین منافع حاصل از کاوش بود.روش بررسی: در این تحقیق مروری، مطالعات انگلیسی ...
بیشتر
مقدمه: دادهکاوی، ابزار کارامدی جهت آشکارسازی دانش نهفته در کلاندادههای پزشکی میباشد. اولین قدم دادهکاوی، شناخت داده و چالشهای آن است. هدف از انجام پژوهش حاضر، بررسی سرمنشأ، تأثیرات و راهکارهای مواجهه با چالشهای کاوش کلاندادههای پزشکی و همچنین، تعیین منافع حاصل از کاوش بود.روش بررسی: در این تحقیق مروری، مطالعات انگلیسی با دو گروه کلید واژه مجزا برای مزایا و چالشها از پایگاههای اطلاعاتی PubMed، ScienceDirect، Springer و Google Scholar، طی بازه زمانی سالهای 2011 تا 2020 جستجو شد. مطالعات تک منظوره حذف و مطالعاتی که به صورت جامع کاوش کلاندادههای پزشکی را مورد بررسی قرار داده بودند، انتخاب شد. سپس هر چالش مورد بررسی دقیقتر قرار گرفت و نتایج به صورت طبقهبندی شده ارایه گردید.یافتهها: دانش حاصل از کاوش کلانداده پزشکی، سبب افزایش کیفیت ارایه خدمات درمانی میشود، اما خطا در جمعآوری و ثبت اطلاعات، ویژگیهای ناشی از کلانداده بودن و ساختار ذاتی دادههای پزشکی، چالشهای بسیاری بر سر راه کاوش قرار داده است که از بین آنها، «ناسازگاری، صحت، امنیت و محرمانگی داده»، دشوارترین مشکلات به شمار میروند. استانداردسازی و افزایش دقت و امنیت در جمعآوری، ذخیرهسازی و نمایش دادهها، مؤثرترین راهکارهای پیشگیری میباشد. طراحی و استفاده از بسترها، الگوریتمها و ساختارهای مناسب کلانداده و همچنین، بهرهگیری از روشهای یادگیری ماشین و هوش مصنوعی، راهکارهای مناسبی برای مواجهه با چالشها محسوب میشوند.نتیجهگیری: عدم آمادگی برای ظهور کلاندادههای پزشکی و رشد بسیار سریع آنها، سرمنشأ بروز چالشهایی برای الگوریتمهای کاوش هستند که برخی قابل پیشگیری، شناسایی و رفع میباشند و برخی نیز به روشهای هوشمند نوینی نیاز دارند که قابلیت مدیریت کلاندادههای پزشکی را داشته باشند.
الهام پورجانی؛ سارا نجفزاده؛ نادر جعفرنیا دابانلو
چکیده
مقدمه: جایگذاری مقادیر گمشده در مجموعه دادههای اطلاعاتی پزشکی، یکی از چالشهای مهم در مسایل دادهکاوی به شمار میرود. بنابراین، پژوهش حاضر با هدف جایگذاری مقادیر گمشده برخی از ویژگیهای مجموعه دادههای دیابت و سرطان سینه انجام شد.روش بررسی: در این مطالعه توصیفی، از مجموعه داده سرطان سینه شامل 699 نمونه که 458 نمونه خوشخیم و 241 ...
بیشتر
مقدمه: جایگذاری مقادیر گمشده در مجموعه دادههای اطلاعاتی پزشکی، یکی از چالشهای مهم در مسایل دادهکاوی به شمار میرود. بنابراین، پژوهش حاضر با هدف جایگذاری مقادیر گمشده برخی از ویژگیهای مجموعه دادههای دیابت و سرطان سینه انجام شد.روش بررسی: در این مطالعه توصیفی، از مجموعه داده سرطان سینه شامل 699 نمونه که 458 نمونه خوشخیم و 241 نمونه بدخیم و مجموعه داده دیابت شامل 768 نمونه که 500 نمونه فاقد بیماری دیابت و 268 نمونه دیگر دارای بیماری دیابت بودند، استفاده گردید. برای جایگذاری مقادیر گمشده در این دو مجموعه داده، مدلی بر پایه شبکه عصبی پرسپترون دو لایه طراحی شد. به منظور ارزیابی، ماشین بردار پشتیبان SVM (Support Vector Machine) و آزمون t مورد استفاده قرار گرفت. یافتهها: میزان میانگین مربعات خطا MSE (Mean Squared Error) به دست آمده در مدل شبکه عصبی پرسپترون دو لایه در مجموعه داده دیابت، حدود 03/0 و در مجموعه داده سرطان سینه، حدود 04/0 کمتر از MSEهای به دست آمده در روش جایگذاری با مقدار میانگین گزارش گردید. مقادیر جایگذاری شده با استفاده از مدل نسبت به مقادیر جایگذاری شده با مقدار میانگین، به مقدار واقعی نزدیکتر بود. صحت و حساسیت طبقهبندی بیماری در حالتی که مقادیر گمشده توسط شبکه عصبی پرسپترون جایگذاری شده بود، در مقایسه با دو روش مرسوم مقدار میانگین و روش حذف مقادیر گمشده در مجموعه داده دیابت به ترتیب در حدود 2، 4، 2 و 4 درصد و در مجموعه داده سرطان سینه به ترتیب در حدود 1، 3، 2، 5 درصد بیشتر شد. تفاوت معنیداری بین دو روش جایگذاری مقادیر گمشده با مقدار میانگین و جایگذاری مدل وجود داشت.نتیجهگیری: جایگذاری مقایر گمشده در مجموعه دادههای پزشکی توسط شبکه عصبی پرسپترون دو لایه نسبت به دو روش جایگذاری با مقدار میانگین و روش حذف مقادیر گمشده، نتایج بهتری در طبقهبندی بیماری نشان میدهد.
محمد حسن احمدی؛ محمدرضا رمضانپور؛ ریحانه خورسند
چکیده
مقدمه: بروز بیماریهای کبد میتواند فرد را در طولانی مدت مستعد سرطان کبد نماید که از مرگبارترین نوع سرطانها در جهان به شمار میرود و در عین حال، قابل پیشگیری است. تشخیص زودهنگام بیماریهای کبدی، امری ضروری جهت درمان آنها میباشد. هدف از انجام پژوهش حاضر، دستهبندی وضعیت بیماران کبدی بر اساس شاخصهای آزمایشگاهی با استفاده از ...
بیشتر
مقدمه: بروز بیماریهای کبد میتواند فرد را در طولانی مدت مستعد سرطان کبد نماید که از مرگبارترین نوع سرطانها در جهان به شمار میرود و در عین حال، قابل پیشگیری است. تشخیص زودهنگام بیماریهای کبدی، امری ضروری جهت درمان آنها میباشد. هدف از انجام پژوهش حاضر، دستهبندی وضعیت بیماران کبدی بر اساس شاخصهای آزمایشگاهی با استفاده از رویکرد دادهکاوی بود.روش بررسی: در این مطالعه توصیفی، از الگوریتمهای بهینهسازی ازدحام ذرات PSO (Particle Swarm Optimization) و سیستم استنتاج عصبی- فازی تطبیقی ANFIS (Adaptive Neuro-Fuzzy Inference System) برای تشخیص اختلالات کبد در افراد سالم و بیمار استفاده گردید. بدین ترتیب، دادهها از پایگاه داده معتبر دانشگاه کالیفرنیا- ارواین UCI (University of California-Irvine) دریافت شد. برای ارزیابی روش پیشنهادی، معیارهای دقت، حساسیت و صحت مورد استفاده قرار گرفت.یافتهها: ترکیب ANFIS و الگوریتم PSO با متوسط صحت 14/99 درصد برای مجموعه داده مبتلایان به بیماریهای کبدی در هند ILPD (Indian Liver Patient Dataset) قادر به تشخیص اختلالات کبدی بود.نتیجهگیری: نتایج به دست آمده حاکی از توانمندی بالای مدل ANFIS در تشخیص اختلالات کبد میباشد. مدل پیشنهادی نسبت به سایر مدلهای مورد مقایسه دارای حداقل میزان خطا و بیشترین صحت و دقت است. بنابراین، به کارگیری این مدل در زمینه تشخیص بیماریهای کبد پیشنهاد میشود.
رعنا مهدوی؛ ثمین فاتحی راویز؛ حسین رحمانی
چکیده
مقدمه: با توجه به آمار، امروزه شیوع ناباروری در ایران رو به افزایش است. از طرف دیگر، دادهکاوی توانسته است با استفاده از دادههای پزشکی، الگوهای مؤثری را استخراج نماید. پژوهش حاضر با هدف استفاده از دادهکاوی جهت طراحی سیستمی به منظور پیشنهاد روش درمان ناباروری انجام شد.روش بررسی: این مطالعه از نوع توصیفی- همبستگی بود که روی اطلاعات ...
بیشتر
مقدمه: با توجه به آمار، امروزه شیوع ناباروری در ایران رو به افزایش است. از طرف دیگر، دادهکاوی توانسته است با استفاده از دادههای پزشکی، الگوهای مؤثری را استخراج نماید. پژوهش حاضر با هدف استفاده از دادهکاوی جهت طراحی سیستمی به منظور پیشنهاد روش درمان ناباروری انجام شد.روش بررسی: این مطالعه از نوع توصیفی- همبستگی بود که روی اطلاعات ثبت شده از 527 زوج نابارور مرکز درمان ناباروری ابنسینا تهران انجام گرفت. با بررسی اطلاعات این افراد توسط الگوریتمهای دادهکاوی و نرمافزار Weka، سیستم PIODEM (Prediction of the best Infertility treatment using Outlier Detection and Ensemble Methods) ارایه شد که شامل سه مرحله بود. ابتدا عوامل مؤثر در انتخاب روش درمان ناباروری با استفاده از تحلیل افتراقی استخراج شد. در مرحله بعد، نمونهها با مقادیر پرت مشخص و ارتباطی بین آنها و انتخاب روش درمان کشف گردید. در نهایت، از ردهبندهای ترکیبی برای افزایش صحت استفاده شد.یافتهها: سیستم پیشنهادی جهت پیشبینی روش درمان، موفق به کشف عوامل مؤثری همچون سن مرد، مدت زمان ناباروری، میزان اسپرمهای بدون حرکت، کاهش غلظت اسپرم، تعداد کل اسپرم، مورفولوژی، مورفولوژی قسمت میانی اسپرم، اسپرم با حرکت سریع و اسپرم با حرکت کند نوع دوم شد. این سیستم مشخص نمود که پرت بودن مقادیر غلظت اسپرم، توکسوپلاسما IgM (Immunoglobulin M)، هورمون 3T (Triiodothyronine) و هورمون TPO (Thyroid Peroxidase) در انتخاب روش درمان تأثیرگذار بود. علاوه بر این، استفاده از الگوریتمهای ترکیبی، معیار F-measure را تا 76 درصد افزایش داد.نتیجهگیری: سیستم PIODEM با استفاده از تحلیل افتراقی و تحلیل دادههای پرت، قادر به کشف عوامل مؤثر در انتخاب روش درمان میباشد. این سیستم با دریافت اطلاعات بیماران به عنوان ورودی، روش درمان را پیشنهاد میدهد.
الهام میرزاکاظمی؛ محمد غمگسار ناصری
دوره 14، شماره 4 ، آبان 1396، ، صفحه 144-149
چکیده
مقدمه: پس از به کارگیری روشهای درمان سرطان پستان، احتمال عود مجدد بیماری وجود دارد. هدف از انجام پژوهش حاضر، به کارگیری تکنیکهای دادهکاوی به منظور ارایه مدلهای پیشبینی عود مجدد سرطان پستان بود.روش بررسی: در این مطالعه توصیفی، از 18 ویژگی مربوط به 809 بیمار مبتلا به سرطان پستان استفاده شد. برای ایجاد مدل پیشبینی عود مجدد سرطان ...
بیشتر
مقدمه: پس از به کارگیری روشهای درمان سرطان پستان، احتمال عود مجدد بیماری وجود دارد. هدف از انجام پژوهش حاضر، به کارگیری تکنیکهای دادهکاوی به منظور ارایه مدلهای پیشبینی عود مجدد سرطان پستان بود.روش بررسی: در این مطالعه توصیفی، از 18 ویژگی مربوط به 809 بیمار مبتلا به سرطان پستان استفاده شد. برای ایجاد مدل پیشبینی عود مجدد سرطان پستان در مرحله پیشپردازش مجموعه داده، از الگوریتمهای بیشینهسازی امید ریاضی EM (Expectation Maximization) و درخت تصمیم دستهبندی و رگرسیون C and R (Classification and Regression) استفاده گردید. سپس در مرحله یادگیری مدل، پنج الگوریتم دادهکاوی شامل شبکههای عصبی، درخت تصمیم C and R، درخت تصمیم 5C، شبکه Bayes و ماشین بردار پشتیبان SVM (Support Vector Machine) به کار گرفته شد. در نهایت، جهت ارزیابی کارایی تکنیکهای مورد استفاده، الگوریتم درخت تصمیم 48J با K-Fold برابر 10 و روشهای آنالیز دادهها مورد استفاده قرار گرفت.یافتهها: دقت الگوریتمهای EM و C and R در مرحله پیشپردازش دادهها به ترتیب 641/0 و 420/0 بود. دقت پنج الگوریتم به کار رفته در مرحله یادگیری مدل نیز به ترتیب 858/0، 865/0، 870/0، 883/0 و 998/0 به دست آمد.نتیجهگیری: مدلی که در مرحله پیشپردازش از الگوریتم EM و در مرحله یادگیری از الگوریتم SVM بهره میگیرد، کارایی بالاتری نسبت به سایر مدلهای ایجاد شده دارد.
مجید ضرابیان؛ مسعود عابسی
دوره 14، شماره 1 ، اردیبهشت 1396، ، صفحه 16-25
چکیده
مقدمه: بیماریهای ایسکمیک قلبی IHD (Ischemic Heart Diseases) از موضوعات هزینهبر و قابل بحث در حیطه بهداشت و درمان کشور میباشد. علاوه بر این، بیمارستانها به شدت دارای محدودیت منابع برای مراقبت از بیماران هستند. از اینرو، تعیین مدت اقامت LOS (Length of stay) بیماران از لحاظ مدیریت هزینه بیمارستان، بسیار مهم است. در تحقیق حاضر مدلهایی جهت برآورد ...
بیشتر
مقدمه: بیماریهای ایسکمیک قلبی IHD (Ischemic Heart Diseases) از موضوعات هزینهبر و قابل بحث در حیطه بهداشت و درمان کشور میباشد. علاوه بر این، بیمارستانها به شدت دارای محدودیت منابع برای مراقبت از بیماران هستند. از اینرو، تعیین مدت اقامت LOS (Length of stay) بیماران از لحاظ مدیریت هزینه بیمارستان، بسیار مهم است. در تحقیق حاضر مدلهایی جهت برآورد LOS بیماران ایسکمی قلبی و عوامل مؤثر بر آن ارایه شد.روش بررسی: این پژوهش در مطالعهای کاربردی، 6524 بیمار بستری ایسکمی قلبی را که طی شش ماه دوم سال 1392 به 16 مرکز درمانی شهر تهران مراجعه کرده بودند و اقدامات درمانی صورت گرفته در پرونده آنها توسط کدهای تعرفه خدمات درمانی ثبت شده بود، بررسی کرده است. پس از جمعآوری دادهها با استفاده از فرمی طراحی شده و پاکسازی آنها، مدلهای برآورد LOS با کمک الگوریتمهای دادهکاوی شبکه عصبی مصنوعی ANN (Artificial neural networks)، ماشینهای بردار پشتیبان SVM (Support vector machines)، اکتشاف تعاملی اتوماتیک CHAID (Chi-squared Automatic Interaction Detection)، درختهای دستهبندی و رگرسیون CART (Classification and regression trees) و مدل ترکیبی در نرمافزار Clementine ساخته شدند.یافتهها: میانگین و انحراف معیار LOS بیماران، 608/9 ± 727/7 روز بود. همبستگی خطی با LOS واقعی و خطای نسبی تمام مدلها به ترتیب بیشتر از 7/0 و کمتر از 5/0 شد. مدل ترکیبی و SVM نیز دقیقترین مدلهای به دست آمده بود.نتیجهگیری: با توجه به نتایج مدلها، بیماران ایسکمی که نیازمند توانبخشی، مشاوره، رادیوتراپی و سیتیاسکن هستند، دارای LOS بیشتری میباشند. همچنین، نوع بیماری ایسکمی و به ویژه کدهای درمانی کالیفرنیا نقش مهمی در برآورد LOS بیماران دارند.
احسان نبوتی؛ امیرعباس عزیزی؛ ابراهیم عباسی؛ حسن وکیلی ارکی؛ جواد زارعی؛ امیررضا رضوی
دوره 10، شماره 6 ، بهمن 1392، ، صفحه 789-799
چکیده
مقدمه: در دههی اخیر الگوریتمهای یادگیری ماشین به ابزار مفیدی جهت دادهکاوی در دادههای پزشکی، برای تولید مدلهای پیشبینی تبدیل شدهاند. سوختگی از جمله بیماریهایی است که پیشبینی پیامد آن از اهمیت زیادی برخوردار است. هدف این مطالعه بررسی عملکرد دو الگوریتم پراستفادهی یادگیری ماشین یعنی شبکهی عصبی و درخت تصمیم و مقایسه ...
بیشتر
مقدمه: در دههی اخیر الگوریتمهای یادگیری ماشین به ابزار مفیدی جهت دادهکاوی در دادههای پزشکی، برای تولید مدلهای پیشبینی تبدیل شدهاند. سوختگی از جمله بیماریهایی است که پیشبینی پیامد آن از اهمیت زیادی برخوردار است. هدف این مطالعه بررسی عملکرد دو الگوریتم پراستفادهی یادگیری ماشین یعنی شبکهی عصبی و درخت تصمیم و مقایسه با روش آماری رگرسیون لجستیک در پیشبینی پیامد بیماران سوختگی بوده است. روش بررسی: در این مطالعه مشاهدهای گذشتهنگر، پس از انجام پردازش اولیهی دادهها و تعیین پیامد (زنده یا فوت)، دو الگوریتم یادگیری ماشین (شبکهی عصبی و درخت تصمیم) به همراه روش آماری رگرسیون لجستیک برای تولید مدلهای پیشبینی روی دادههای 4804 بیمار سوختگی بیمارستان طالقانی اهواز مربوط به سالهای 1380 تا 1386 اعمال گردید. برای پردازش اولیهی دادهها نرمافزار SPSS16 و در مرحلهی مدلسازی از Clementine 12.0 استفاده شد. همچنین با بهکارگیری تکنیک 10-Fold Cross Validation، معیارهای ارزیابی کارایی برای دادههای تست محاسبه و مقایسه شدند. یافتهها: نتایج نشان داد الگوریتم شبکهی عصبی با دقت 97 درصد منجر به دقیقترین مدل روی دادههای مورد مطالعه میشود. مدل درخت تصمیم با دقت 95 درصد در ردهی دوم و مدل رگرسیون لجستیک با دقت 90 درصد کمترین دقت را داشت. سایر معیارهای ارزیابی مانند حساسیت (Sensitivity)، ویژگی (Specificity)، PPV (Positive Predictive Value) و NPV (Negative Predictive Value) و AUC (Area Under the Curve) نیز کارایی مدل شبکهی عصبی را بالاتر از دو مدل دیگر نشان دادند. نتیجهگیری: تحلیل نتایج این مطالعه و مطالعات مشابه نشان میدهند که الگوریتمهای یادگیری ماشین نسبت به روشهای آماری منجر به تولید مدلهای دقیقتری میشوند. بسته به ماهیت و میزان دادهها و همچنین جامعهی پژوهش، الگوریتمهای مختلف یادگیری ماشین، رفتارهای متفاوتی دارند که بهنظر میرسد دقت مدلهای شبکهی عصبی از سایر مدلها بیشتر میباشد. واژههای کلیدی: دادهکاوی؛ یادگیری ماشین؛ پیشبینی؛ درخت تصمیم؛ شبکهی عصبی مصنوعی؛ سوختگیها