مدیریت اطلاعات سلامت
مهدی محرابی؛ آزاده آبکار؛ امین گلاب پور؛ محمد امین شایگان
چکیده
**مقدمه:** تشخیص زودهنگام کووید-19 نقش مهمی در کاهش مرگ‌ومیر بیماران دارد. هوش مصنوعی با قابلیت تحلیل حجم بالای داده‌های پزشکی، می‌تواند به تشخیص سریع‌تر و دقیق‌تر این بیماری کمک کند. این مطالعه با هدف بررسی عملکرد مدل‌های هوش مصنوعی در تشخیص کووید-19 انجام شده است.
**متد:** با جستجوی سیستماتیک در پایگاه‌های داده پابمد، اسکوپوس و WOS، ...
بیشتر
**مقدمه:** تشخیص زودهنگام کووید-19 نقش مهمی در کاهش مرگ‌ومیر بیماران دارد. هوش مصنوعی با قابلیت تحلیل حجم بالای داده‌های پزشکی، می‌تواند به تشخیص سریع‌تر و دقیق‌تر این بیماری کمک کند. این مطالعه با هدف بررسی عملکرد مدل‌های هوش مصنوعی در تشخیص کووید-19 انجام شده است.
**متد:** با جستجوی سیستماتیک در پایگاه‌های داده پابمد، اسکوپوس و WOS، 143 مقاله مرتبط استخراج شد. مقالات بر اساس نوع داده‌های ورودی، الگوریتم‌های مورداستفاده، معیارهای ارزیابی عملکرد، میزان ارائه قوانین بالینی و تأیید این الگوریتم‌ها توسط متخصصان بررسی شدند. همچنین، 451 مقاله مروری و متاآنالیز تحلیل شد تا میزان پذیرش این الگوریتم‌ها در گایدلاین‌های بالینی مشخص شود.
**نتایج:** داده‌های ورودی مقالات شامل رکوردهای اطلاعاتی، تصاویر پزشکی و پردازش صدا بودند. بیش از 96 درصد الگوریتم‌های مورداستفاده، جعبه سیاه بوده و فاقد ارزیابی بالینی توسط متخصصان هستند. باوجوداین، عملکرد آن‌ها به‌طور میانگین بالای 90 درصد گزارش شده است. بررسی مقالات مروری و متاآنالیز نشان داد که هیچ‌یک از الگوریتم‌ها در چارچوب بالینی مورد ارزیابی رسمی قرار نگرفته‌اند و تنها عملکرد آن‌ها روی داده‌های موجود بررسی شده است.
**نتیجه‌گیری:** مرور مطالعات نشان داد که هوش مصنوعی در تشخیص کووید-19 عملکرد بالایی دارد اما محدودیت‌هایی مانند عدم توضیح‌پذیری، وابستگی به داده‌های آموزشی و فقدان ارزیابی بالینی مانع پذیرش گسترده آن در سیستم‌های پزشکی شده است. توسعه مدل‌های جعبه سفید و انجام مطالعات بالینی گسترده برای اطمینان از کارایی و پذیرش این الگوریتم‌ها ضروری است.
مدیریت اطلاعات سلامت
سید محمد طباطبائی
مدیریت اطلاعات سلامت
هدی معمارزاده؛ ناصر قدیری؛ مریم لطفی شهرضا
چکیده
مقدمه: شناسایی بیماران شبیه به یکدیگر بر اساس داده‌های پرونده الکترونیک سلامت آن‌ها یک مکانیسم کلیدی در طراحی بسیاری از روش‌های هوشمند باهدف ارتقای کیفیت خدمات ارائه‌شده به بیماران و پژوهشگران است. شباهت در تشخیص‌های نهایی یکی از معیارهای شباهت بیماران است. یکی از ابزارهای اصلی در تعیین تشخیص‌های نهایی، پرونده الکترونیک بیمار ...
بیشتر
مقدمه: شناسایی بیماران شبیه به یکدیگر بر اساس داده‌های پرونده الکترونیک سلامت آن‌ها یک مکانیسم کلیدی در طراحی بسیاری از روش‌های هوشمند باهدف ارتقای کیفیت خدمات ارائه‌شده به بیماران و پژوهشگران است. شباهت در تشخیص‌های نهایی یکی از معیارهای شباهت بیماران است. یکی از ابزارهای اصلی در تعیین تشخیص‌های نهایی، پرونده الکترونیک بیمار است. بخش مهمی از پرونده الکترونیک بیمار به داده‌های متنی مانند شرح‌حال بیمار و گزارش‌های مختلف اختصاص دارد که پردازش آن‌ها به دلیل نداشتن ساختار، با چالش‌هایی مواجه است. بنابراین هدف مطالعه حاضر، طراحی یک مدل پردازش متن‌های بالینی به‌منظور شناسایی تشخیص‌های نهایی است.روش بررسی: در این پژوهش متن‌های خلاصه پرونده بیش از ۲۶۰۰۰ بیمار از پایگاه داده MIMIC-III با استفاده از روش‌های هوش مصنوعی در پردازش متن‌های بالینی به‌صورت بردار بازنمایی شده و از این بردارها به‌عنوان ورودی مدل پیش‌بینی کننده تشخیص استفاده‌شده است.یافته‌ها: با توجه به نتایج آزمایش‌ها برای معیار F1-score مدل BIO-BERT با 0.715 و سپس مدل SciBERT با 0.713 نسبت به سایر مدل‌ها پیشتاز بوده‌اند. همچنین نتایج نشان می‌دهد استفاده از روش‌های شناسایی موجودیت منجر به افزایش دقت مدل شده است.نتیجه‌گیری: مدل‌های بازنمایی که روی داده‌های خاص زیست پزشکی آموزش‌دیده‌اند می‌توانند برای نگاشت اطلاعات نهفته متن به بردارهای ریاضی قابل استنتاج مورداستفاده قرارگرفته و امکان به‌کارگیری داده‌های متنی را در مسائل پیش‌بینی هوشمند ازجمله برای پیش‌بینی گروه تشخیص نهایی و پیش‌بینی بازگشت مجدد بیمار را فراهم آورند.
