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
رقیه عباسپور؛ مصطفی لنگری زاده؛ مریم احمدی
دوره 10، شماره 5 ، دی 1392، ، صفحه 684-691
چکیده
مقدمه: با توجه به افزایش وقوع صدمات سوختگی، ارائه برنامههای پیشگیری از اهمیت بالایی برخوردار گردیده است. اجرای اینگونه برنامهها مستلزم ارائهی آمار و اطلاعات درست است که این امر از طریق کدگذاری با کیفیت و صحیح امکانپذیر میشود. در این پژوهش کیفیت کدگذاری حوادث سوختگی پروندهی بیماران فوتی و غیرفوتی در مرکز آموزشی درمانی ...
بیشتر
مقدمه: با توجه به افزایش وقوع صدمات سوختگی، ارائه برنامههای پیشگیری از اهمیت بالایی برخوردار گردیده است. اجرای اینگونه برنامهها مستلزم ارائهی آمار و اطلاعات درست است که این امر از طریق کدگذاری با کیفیت و صحیح امکانپذیر میشود. در این پژوهش کیفیت کدگذاری حوادث سوختگی پروندهی بیماران فوتی و غیرفوتی در مرکز آموزشی درمانی سینا تبریز مورد مقایسه قرار گرفت. روش بررسی: پژوهش حاضر از نوع مقایسهای و به صورت مقطعی بود. جامعهی پژوهش شامل1500 پرونده از بیماران سوختهی بستری شده در مرکز آموزشی درمانی سینا تبریز در سال 90-1389 بود. با توجه به عدم وجود اطلاعات مورد نیاز جهت تعیین حجم نمونه، مطالعهی میدانی به منظور تعیین ویژگیهای جامعه با توجه به آمار بیماران سوخته فوتی و غیرفوتی در یک سال اخیر انجام شد. براساس میانگین و انحراف معیار بهدست آمده از مطالعهی میدانی، حجم نمونه برآورد گردید، این میزان مشتمل بر 150 پرونده بود که به نسبت مساوی و با استفاده از روش تصادفی سیستماتیک از دو گروه فوتی و غیرفوتی انتخاب شد. دادهها با استفاده از فرم استخراج داده که اعتبار محتوای آن توسط اساتید صاحبنظر تایید شده بود، جمعآوری گردید و با استفاده از نرمافزار SPSS نسخهی 16 و روشهای آمار توصیفی و آزمونهای تحلیلی شامل فراوانی، درصد، میانگین، انحراف معیار و آزمون مان ویتنی تحلیل شد. یافتهها: صحت و کامل بودن کدها در گروه فوتی به ترتیب 8/41 و 4/61 درصد و در گروه غیر فوتی 3/47 و 2/71 درصد بود. در هیچیک از دو گروه کاراکتر پنجم کدگذاری نشده بود. ویژگی بهموقع بودن بهطور میانگین 50 روز بود که با استاندارد سازمان جهانی بهداشت که 2 روز است، فاصله زیادی داشت. نتیجهگیری: برای افزایش کیفیت کدگذاری در گروه فوتی باید کدگذاری سایر تشخیصها و فعالیت حین حادثه مورد توجه کدگذاران قرار گیرد. ویژگی بهموقع بودن کدگذاری نیز مشکل داشت که لازم است در این زمینه با اتخاذ رویههای تشویقی یا تنبیهی و یا ابلاغ آییننامههای داخلی از سوی مراجع مربوط از جمله وزارت بهداشت، درمان و آموزش پزشکی کدگذاران را به انجام بهموقع کدگذاری و ورود آن به سیستم اطلاعات بیمارستان ترغیب نمود.واژههای کلیدی: طبقهبندی بینالمللی بیماریها؛ سوختگیها؛ کدگذاری