پژوهشگران دانشگاه تربیت مدرس یک مدل پیش‌آگاهی ایست قلبی برای بیماران مبتلا به سپسیس ارائه کردند که در بازه ۳۰ ساعت قبل از ایست قلبی، وقوع آن را با مقدار sensitivity بالاتر از ۷۰ درصد پیش بینی می‌کند.

به گزارش حوزه دانشگاهی گروه علمی پزشکی باشگاه خبرنگاران جوان،  ایست قلبی ناشی از سپسیس یک رویداد شایع با نرخ نجات پایین است. پیش‌بینی زود هنگام ایست قلبی زمان لازم برای انجام مداخلات ضروری جهت پیشگیری از وقوع ایست قلبی را فراهم می‌آورد.

پژوهشگران گروه مهندسی فناوری اطلاعات دانشگاه تربیت مدرس با استفاده از الگوریتم‌های هوش مصنوعی یک مدل پیش آگاهی ایست قلبی برای بیماران مبتلا به سپسیس ارائه کردند؛ مدل پیشنهادی در بازه ۳۰ ساعت قبل از رخداد ایست قلبی، وقوع آن را با مقدار sensitivity بالاتر از ۷۰ درصد پیش بینی می‌کند.

سمانه لایقیان که این پژوهش در قالب رساله دکتری تخصصی وی در رشته مهندسی فناوری اطلاعات (سیستم‌های اطلاعاتی) انجام شد، با بیان این مقدمه گفت: از آنجا که پزشکان نمی‌توانند به طور مداوم خطر ایست قلبی برای همه بیماران تحت مراقبت را بررسی کنند، خودکارسازی جمع‌آوری و تحلیل داده‌های سلامت و اعلام هشدار‌های لازم به بیمار و پزشک می‌تواند گام بزرگی در کاهش میزان مرگ و میر و هزینه‌ها باشد.

او افزود: در این پژوهش با استفاده از الگوریتم‌های هوش مصنوعی به توسعه یک مدل پیش آگهی ایست قلبی برای بیماران مبتلا به سپسیس پرداختیم.

لایقیان تشریح کرد: در این راستا ۳۰ ساعت از داده‌های بالینی بیماران سپسیس از پایگاه داده MIMIC III استخراج شد (۷۹ مورد ایست قلبی، ۴۵۳۲ رکورد نرمال) و سه مجموعه داده چندمتغیره، سری زمانی و ترکیب چند متغیره و سری زمانی ایجاد شد مدل‌های یادگیری ماشین مختلف، با رویکردی سیستماتیک بر این سه مجموعه داده آموزش یافتند. در نهایت استفاده از روش یادگیری عمیق نتایج بهتری تولید کرد.


بیشتر بخوانید


او در ادامه گفت: مدل پیشنهادی در بازه ۳۰ ساعت قبل از رخداد ایست قلبی، وقوع آن را با مقدار sensitivity بالاتر از ۷۰ درصد پیش بینی می‌کند. مقایسه خروجی این مدل با نتایج حاصل از دو سیستم هشداردهنده استاندارد Apache II و MEWS نشان داد مدل پیشنهادی بهبود قابل توجهی نسبت به سیستم‌های استاندارد موجود تولید می‌کند.

در این پژوهش تاثیر پویایی سری‌های زمانی علائم حیاتی، به عنوان یک عامل پیشگو برای پیش‌بینی ایست قلبی نیز با رویکرد‌های مختلف مورد آزمون قرار گرفت. تحلیل سری‌های زمانی برای پیش‌بینی ایست قلبی یک ساعت قبل از رخداد، مقدار sensitivity=۷۷% را تولید کرد.

در گام بعد، به منظور هوشمندسازی عملیات جمع‌آوری و تحلیل داده‌ها، با استفاده از فناوری‌های نوین به طراحی نمایی سطح بالا از یک معماری IOT، برای نظارت زمان واقعی بر افراد بستری در بخش مراقبت‌های ویژه پرداختیم. این معماری، مدل پیش‌آگهی هوشمند پیشنهادی را به عنوان بخشی از خدمات خود فراهم آورده و از فناوری مه به منظور تسریع عملیات پردازش بلادرنگ استفاده می‌کند.

انتهای پیام/

اخبار پیشنهادی
تبادل نظر
آدرس ایمیل خود را با فرمت مناسب وارد نمایید.
آخرین اخبار