انفورماتیک سلامت و زیست پزشکی
سال:1401 | دوره:9 | شماره:3 |تعداد مقالات:8

مقدمه: از آنجا که تأخیر یا اشتباه در تشخیص اختلالات خلقی به دلیل تشابه علائم، مانع درمان مؤثر می شود، هدف تحقیق حاضر، تشخیص دقیق اختلالات خلقی، شامل روان پریشی، اوتیسم، اختلال شخصیت، دوقطبی، افسردگی و اسکیزوفرنی، از طریق مدل سازی و تحلیل داده های بیماران است. روش: دادههای جمعآوری شده در این پژوهش کاربردی-توسعه ای دربردارنده 996 رکورد با 130 ویژگی بود که با مصاحبه و تکمیل پرسشنامه ها در یک بیمارستان روان پزشکی در شهر ساری، ایران در سال 1400 گردآوری شد. پس از پیش پردازش داده ها، تعداد ویژگی ها با تحلیل همبستگی به 91 و سپس با تحلیل مؤلفه های اصلی (PCA) به 35 فاکتور کاهش یافت. مدل سازی داده ها در نرم افزار پایتون با الگوریتم های K نزدیک ترین همسایه(KNN)، نایو بیز (NB)، درخت تصمیم (DT)، جنگل تصادفی (RF)، رگرسیون لجستیک (LR) و ماشین بردار پشتیبان (SVM) صورت گرفت. عملکرد مدل ها ارزیابی گردید و پارامترهای الگوریتم های با دقت بالاتر توسط الگوریتم های فراابتکاری بهینه سازی ازدحام ذرات (PSO) و ژنتیک (GA) تخمین زده شد. نتایج: از بین الگوریتم های یادگیری ماشین، دو الگوریتم RF با دقت 91 و SVM با دقت 90 درصد عملکرد بهتری داشتند. GA افزایش دقت قابل ملاحظه ای ایجاد نکرد، اما درنظرگرفتن مقادیر 30، 150، 0/9، 2 و 2 به ترتیب به عنوان تعداد ذرات، تعداد تکرار الگوریتم، ضریب اینرسی، ضریب شخصی و ضریب اجتماعی در الگوریتم PSO دقت پیش بینی را تا 3/3 درصد بهبود بخشید. نتیجه گیری: با خطای طبقه بندی کمتر نسبت به پژوهش های مشابه، مدل PSO-SVM طراحی شده در این پژوهش با دقت قابل قبولی می تواند در پایش داده های بیماران به کار گرفته شده و در سامانه های هوشمند مراکز روان پزشکی مورد استفاده قرار گیرد.

مقدمه: زنجیره بلوکی، یک فناوری پرکاربرد در حوزه سلامت است؛ اما به کارگیری آن با چالش هایی نیز همراه می باشد. با شناسایی این چالش ها، می توان مسیر رسیدن به بلوغ زنجیره بلوکی، در این حوزه را هموارتر نمود. هدف از این پژوهش، شناسایی چالش های مدل بلوغ فناوری زنجیره بلوکی در سازمان های سلامت محور می باشد. روش: در این مطالعه کیفی به شیوه پدیدار شناسی، انجام شد. جامعه آماری، خبرگان حوزه فناوری زنجیره بلوکی بودند که تعداد 12 نفر از میان آن ها جهت انجام مصاحبه عمیق انتخاب شدند. روایی یافته ها با روش های تطبیق توسط اعضا و بررسی همکار تضمین شد. به طوری که مشارکت کنندگان، فرآیند تحلیل داده های اولیه (نتایج مصاحبه) را بازبینی و در بررسی همکار، اساتید راهنما، مشاور و دو تن از دانشجویان دکتری در مورد یافته ها اظهار نظر کردند. جهت تجزیه و تحلیل داده ها از کدگذاری باز و محوری، استفاده شده است. نتایج: چالش های مدل، در بخش های فنی و سازمانی، در قالب الگوی ساختاری ترسیم و ارائه شده است. در مدل حاصل هر یک از مقوله ها با زیر مجموعه خود مشخص شده که میزان فراوانی آن ها جهت اولویت بندی و تعیین میزان اهمیت آن ها نیز در مدل مشخص شده اند. نتیجه گیری: در سازمان های سلامت محور، چالش های امنیت اطلاعات در بخش فنی و شفافیت در ساختار سازمانی، از جمله مهم ترین چالش ها مطرح شده اند. امنیت داده ها به واسطه اهمیت بالای حفظ آن ها و نیز ایجاد شفافیت، به دلیل عدم امکان دستکاری داده ها، چالش هایی هستند که اگر ساده انگارانه از کنار آن ها بگذریم، فرآیند رسیدن به بلوغ فناوری در سازمان های سلامت محور را با شکست مواجه خواهد کرد.

مقدمه: با رشد سریع فناوری اطلاعات و انتظارات محیط های مراقبت بهداشتی، حضور پرستارانی با شایستگی انفورماتیک در محیط مراقبت به منظور استفاده و مدیریت مؤثر اطلاعات مراقبت بهداشتی در ارائه مراقبت بهداشتی ضروری به نظر می رسد؛ لذا این مطالعه با هدف ارزیابی صلاحیت فناوری اطلاعات پرستاران بخش های مراقبت ویژه از دیدگاه خود آن ها انجام شد. روش: این پژوهش یک مطالعه مقطعی بود که با هدف بررسی صلاحیت فناوری اطلاعات پرستاران بخش های مراقبتهای ویژه بیمارستان افضلی پور دانشگاه علوم پزشکی کرمان در سال 1401 انجام شد. جامعه این مطالعه پرستاران (اعم از رسمی، پیمانی، قراردادی و طرحی) شاغل در بخش مراقبتهای ویژه (ICU, CCU) بودند که تعداد آنها در زمان مطالعه جمعاً 60 نفر بود که به صورت سرشماری وارد مطالعه شدند. ابزار مورد استفاده در این پژوهش، پرسشنامه صلاحیت فناوری اطلاعات پرستاری (Nursing Informatics Competency Assessment Tool) NICAT بود. نتایج: یا یافته های مطالعه نشان داد میانگین نمره صلاحیت فناوری اطلاعات پرستاران بخش مراقبت های ویژه ( 0/85±,2/70) در محدوده «با صلاحیت» می باشد. یافته ها نشان داد بیشترین نمره صلاحیت فناوری اطلاعات پرستاران مطالعه مربوط به بعد سواد کامپیوتر (0/93±, 2/82) و کمترین نمره مربوط به بعد مهارت های مدیریت اطلاعات (0/85±,2/58) بود. نتیجه گیری: پیشنهاد می شود مدیران پرستاری بالینی با اجرای برنامه های آموزشی در زمینه «سواد اطلاعاتی در بیمارستان»، به خصوص در بُعد مهارت های مدیریت اطلاعات که کمترین میانگین نمره را داشت، صلاحیت فناوری اطلاعات پرستاران را ارتقاء دهند تا آنان بتوانند با استفاده از آخرین شواهد مراقبت مؤثرتری را در بالین ارائه دهند.

مقدمه: در دنیای امروزی مفهوم مراقبت سلامت روان الکترونیکی مطرح است که به کمک آن مراقبت ها، مهارت ها دیگر محدود به موقعیت زمانی و مکانی افراد نمی باشد و افراد نیازمند به مراقبت روانی میتوانند با دریافت و نصب برنامههای کاربردی (اپلیکیشن) روی تلفن همراه از این خدمات بهرهمند شوند. نرمافزار کاربردی کاگنو ژن (Cognogene) برای ارائه خدمات سلامت روان الکترونیکی در بستر تلفن های هوشمند به وجود آمده است. این پژوهش با هدف بررسی اثر بخشی برنامه کاربردی «کاگنو ژن» ﺑ, ﺮ,مهارت های ارتباطی در میان دانشجویان انجام شد. روش: جامعه آماری این پژوهش 104 دانشجوی شاغل به تحصیل دانشگاه تهران در نیمسال اول سال تحصیلی 1401-1400 در نظر گرفته شد. تعداد 52 ﻧ, ﻔ, ﺮ,در ﮔ, ﺮ, وه آزﻣ, ﺎ, یﺶ,و 52 ﻧ, ﻔ, ﺮ,در ﮔ, ﺮ, وه ﮐ, ﻨ, ﺘ, ﺮ, ل به صورت تصادفی انتخاب شدند. گروه آزمایش، آﻣ, ﻮ, زش اﻟ, ﮑ, ﺘ, ﺮ, وﻧ, ﯿ, ﮑ, ﯽ,(شامل ویدئوکلیپها، تمرین روزانه، برنامه های انگیزشی) را در 21 جلسه دریافت کردند و گروه ﮐ, ﻨ, ﺘ, ﺮ, ل مداخله ای دریافت نکرد. برای جمع آوری داده ها، از ﭘ, ﺮ, ﺳ, ﺸ, ﻨ, ﺎ, ﻣ, ﻪ,مهارت های ارتباطی کوئین دام در دو مرحله ﭘ, ﯿ, ﺶ, آزﻣ, ﻮ, ن و ﭘ, ﺲ, آزﻣ, ﻮ, ن استفاده ﺷ, ﺪ, . داده ﻫ, ﺎ,ﺑ, ﺎ,اﺳ, ﺘ, ﻔ, ﺎ, ده از روش ﺗ, ﺤ, ﻠ, ﯿ, ﻞ,واریانس یک طرفه ﺗ, ﺤ, ﻠ, ﯿ, ﻞ,شدند. نتایج: یافته ها ﻧ, ﺸ, ﺎ, ن داد ﮐ, ﻪ,مداخله صورت گرفته باعث ایجاد تفاوتی معنادار در میانگین همه شاخص های مورد پژوهش مهارت های ارتباطی به جزء شاخص های «دریافت و ارسال پیام» و «کنترل عاطفی» گردیده است. نتیجه گیری: آموزش از طریق برنامه کاربردی «کاگنو ژن» می تواند به عنوان مکمل همراه سایر روش های آموزشی دیگر برای بهبود مهارت های ارتباطی استفاده گردد.

مقدمه: شیوع فشار خون بالا در کودکان رو به افزایش است و این عارضه مهم ترین عامل خطر برای بیماری های قلبی-عروقی در سنین بالاتر به شمار می رود. تشخیص به موقع فشار خون بالا و کنترل آن می تواند جلوی پیشرفت آن را گرفته و پیامدهای ناشی از آن را کاهش دهد. روش های یادگیری ماشین می توانند به پیش بینی به موقع این عارضه کمک کرده و باعث کاهش هزینه و زمان گردند. این مطالعه با هدف ارائه مدلی مبتنی بر ترکیب روش های یادگیری ماشین برای تشخیص و پیش بینی دقیق تر فشار خون کودکان دبستانی انجام شد. روش: این مطالعه از نوع کاربردی-توسعه ای بوده که با استفاده از اطلاعات 1287 نفر از کودکان دبستانی 7 تا 13 ساله شهر کاشمر انجام شده است. پس از پیش پردازش دادهها، برای تشخیص دقیق تر کودکان مبتلا به فشار خون بالا نتایج خروجی پنج روش یادگیری ماشین متداول در تشخیص بیماری ها، شامل درخت تصمیم، بیزین ساده، نزدیکترین همسایه ها، شبکه عصبی مصنوعی و ماشین بردار پشتیبان با استفاده از روش رأی گیری اکثریت وزن دار ترکیب می شوند. نتایج: نتایج نشان داد که دقت (Accuracy)، حساسیت (Sensitivity) و ویژگی (Specificity) در مدل پیشنهادی به ترتیب 90/31، 80/65 و 93/54 درصد بوده و در مقایسه با مطالعات مشابه، عملکرد بهتری دارد. نتیجه گیری: مدل پیشنهادی بهتر می تواند پیش بینی و تشخیص فشار خون بالا در کودکان را انجام داده و باعث بهبود دقت و کاهش میزان اشتباه گردد. این مدل می تواند به عنوان یک ابزار مفید و زودهنگام در تشخیص فشار خون بالا در کودکان، از پیامدها و هزینه های ناشی از این عارضه بکاهد و گام بزرگی در مبارزه با فشار خون بالا باشد.

مقدمه: با تغییر اپیدمیولوژی بیماری ها، نارسایی مزمن کلیوی در جهان رشد قابل توجهی را نشان میدهد. پیوند کلیه به عنوان یک درمان انتخابی برای بهبود کیفیت زندگی این بیماران میباشد. چالش اساسی در زمینه بهره مندی بهینه از کلیه بیماران مرگمغزی، انتخاب گیرنده مناسب در فرصت بسیار محدود میباشد. هدف از این مطالعه، مرور ملزومات طراحی و پیادهسازی و ارزیابی سیستمهای تصمیمیار بالینی برای تخصیص کلیه پیوندی از دهنده مرگ مغزی و چالشهای پیشرو بود. روش: این مطالعه مروری حیطه ای با جستجو در پایگاههای اطلاعاتی PubMed، Scopus و Google Scholar برای مقالات تمام متن به زبان انگلیسی تا انتهای 2021 انجام شد. آنالیز مقالات بر اساس اهداف مطالعه، فاکتورها و الگوریتم های مورد استفاده در تصمیمگیری برای تطبیق اهداکننده و گیرنده، و نحوه ارزیابی الگوریتمها صورت گرفت. نتایج: دو دسته کلی از فاکتورهای پزشکی (شامل کیفیت کلیه اهدایی) و فاکتورهای عدالت در اکثر الگوریتمهای تخصیص استفاده شده بود، درباره تعداد، نحوه و ترتیب اعمال تأثیر این فاکتورها در مطالعات مختلف تفاوت وجود داشت. با این که مطالعات چالشهای متنوعی ذکر کرده بودند، ولی اکثریت آنها تاثیر مثبت سیستمهای تصمیمیار را در مدیریت فرآیند تخصیص گزارش نموده اند. نتیجه گیری: یکی از چالشهای اساسی در مدیریت بهینه این فرایند، برخورداری از پروتکلها و الگوریتمهایی بومی است که اعضای تیمهای پیوند در مورد نحوه، ترتیب و وزن هرکدام از فاکتورهای پزشکی و عدالت در این الگوریتم ها اتفاق نظر داشته باشند. با توجه به اینکه در مطالعات مروری الگوریتمهای مبتنی بر امتیازدهی، بیشترین پذیرش را داشتهاند، به نظر میرسد احتمال استفاده از سیستمی تصمیمیار بر این اساس، بیشتر خواهد بود.

مقدمه: حوزه سلامت دارای الزامات منحصر به فردی چون امنیت و حریم خصوصی، قابلیت همکاری، اشتراکگذاری، انتقال و کنترل دسترسی میباشد. از طرفی مزیتهای بلاکچین و مطابقت این مزیتها با الزامات سلامت، سبب ترغیب محققان به بررسی روش های به کارگیری بلاکچین در سلامت شده است. این افزایش سریع تحقیقات پیرامون بلاکچین و سلامت، کاربردهای بسیاری ایجاد کرده است. با وجود پتانسیل بالای این فناوری برای به کارگیری در سلامت، هنوز چالشهایی وجود دارد که باید بررسی شود. در این مطالعه، مروری روایی بر کاربردها و چالش های بلاکچین در صنعت سلامت ارائه شده است. روش: در این مرور روایی، مطالعات انجام شده تا اکتبر 2022 موجود در پایگاههای PubMed، IEEE Xplore، Web of Science و Scopus جستجو و از 254 مطالعه مرتبط، 171 مقاله بر اساس عنوان شناسایی شد. پس از اعمال معیارهای ورود و خروج، در نهایت 30 مطالعه برای بررسی انتخاب شد. نتایج: براساس نتایج، 10 کاربرد بلاکچین در سلامت عبارت اند از: اشتراکگذاری ایمن دادههای سلامت، ایجاد پرونده پزشکی الکترونیکی، رهگیری سوابق پزشکی، رهگیری تجویز مواد افیونی، یادگیری عمیق، زنجیره تأمین دارو، کارآزماییهای بالینی، مدیریت پاندمی کووید-19 و نظارت بیماران از راه دور. همچنین چالش های بلاکچین در سلامت عبارت اند از: قابلیت همکاری، امنیت و حریم خصوصی، غیر قابل تغییر بودن، مقیاس پذیری، درگیری بیمار، شفافیت و محرمانه بودن. نتیجه گیری: تطابق بین الزامات سلامت و ویژگیهای بلاکچین، بستری مناسب برای بهکارگیری این فناوری در سلامت ایجاد کرده است؛ با این وجود چالش هایی نیز در مسیر این کاربردها وجود دارد که باید حل شود.

هوش مصنوعی یا Artificial Intelligence به شبیه سازی هوش انسانی در ماشین ها گفته میشود. ماشین های هوشمند طوری طراحی شده اند که بتوانند فکر و رفتار انسانها )مانند حل مسئله و یادگیری( را تقلید کنند ] 1[. ایده هوش مصنوعی را در دهه 1950 میلادی آلن تورینگ پایهگذاری کرد. وی آزمونی را پیشنهاد داد که بتوان توانایی ماشین را برای تقلید اعمال انسان، به طوری که قابل تمایز از رفتار خود انسان نباشد، اندازه گیری کرد.