انفورماتیک سلامت و زیست پزشکی
سال:1403 | دوره:11 | شماره:2 |تعداد مقالات:6

مقدمه:  مدیریت و حفظ امنیت اطلاعات لیست انتظار بیماران نیازمند پیوند عضو در دهه های اخیر با چالش های متعددی مواجه بوده است. عدم اعتماد بین مشارکت کنندگان و نگرانی ها درباره حفظ حریم خصوصی بیماران و اهداکنندگان، لزوم یافتن راهکارهای امنیتی جدید را برجسته کرده است. روش کار: در این مطالعه روشی امن و قابل اعتماد برای بهبود مدیریت لیست انتظار پیوند عضو با استفاده از فناوری بلاک چین و شبکه سیستم پرونده توزیع شده مبنی بر IPFS ارائه و پیاده سازی شده است که علاوه بر ذخیره سازی امن اطلاعات، چالش نگهداری اسناد پزشکی حجیم را نیز حل نموده است. در ساختار پیشنهادی اطلاعات بیمار با کمک الگوریتم های مناسب، گمنام سازی و سپس ذخیره سازی شده و به شبکه بلاک چین نیز متصل می شوند. یافته ها: پس از بررسی روش های مشابه، چالش های موجود (حفاظت از هویت بیماران، نگهداری امن اسناد پزشکی و ...) شناسایی و سپس روشی یکپارچه و نوآورانه در مدیریت پیوند عضو با کمک الگوریتم های رمزنگاری و شبکه IPFS پیشنهاد و فراهم نموده که نه تنها امنیت و حریم خصوصی بیماران را به صورت جامع تأمین می کند، بلکه باعث کاهش نابرابری های اجتماعی و افزایش اعتماد به فرآیند اهدای عضو نیز می شود و به مدیریت عادلانه لیست انتظار بیماران پیوند عضو و حل چالش های اساسی حوزه پزشکی کمک می کند. نتیجه گیری: سیستم پیشنهادی با به کارگیری معماری میکروسرویس، یک سیستم مقیاس پذیر و کارا را فراهم نموده است و می تواند به عنوان ابزاری مطمئن در اختیار دست اندرکاران قرار گیرد.

مقدمه: سرطان حنجره بر اساس عوامل مختلف می توانند خوش خیم یا بدخیم باشند. هدف این پژوهش بهبود مدلی مبتنی بر یادگیری ماشین جهت ارتقاء تشخیص افراد درگیر با سرطان حنجره می باشد.   روش کار: گام نخست، صداهای افرادی که به مراکز درمانی مراجعه کرده اند (شامل آواهای (آ)، (ای)، (او)) ضبط شده و به عنوان مجموعه داده در نظر گرفته شده اند؛ در گام دوم داده ها توسط پزشک متخصص به سه کلاس سرطان خوش خیم، سرطان بدخیم و سالم تقسیم شده اند؛ در گام سوم مرحله پاکسازی داده ها انجام شده است؛ در گام چهارم ویژگی های مرتبط با صدا از داده ها استخراج و در گام پنجم، 5 مدل یادگیری ماشین SVM، Decision Tree، Naïve Bayes، MLP  و  Random Forest بر روی مجموعه داده ها پیاده سازی شده است و در آخر با استفاده از معیارهای ارزیابی مانند دقت، F-score  و دیگر معیارهای ارزیابی، عملکرد مدل ها ارزیابی شده است. یافته ها: نتایج پیاده سازی نشان داد که مدل SVM برای آوای (آ)  و آوای (او)  با دقت 0/818، دقت بالاتری نسبت به سایر مدل ها از خود نشان داده است، آوای  (ای) با دقت 0/818 در مدل MLP بالاترین دقت را دارا می باشد. نتیجه گیری: پژوهش حاضر،  به ارزیابی مدل های یادگیری ماشین برای تشخیص سرطان حنجره بر اساس داده های صوتی پرداخته است، نتایج نشان داد که استفاده از مدل SVM برای تشخیص سرطان حنجره می تواند با دقت بیشتری در تشخیص این بیماری کمک کند و ارائه نتایج قابل اعتمادی را فراهم آورد.

مقدمه:  گلیوبلاستوما یکی از سرطان های شایع مغزی بوده که نرخ مرگ و میر بالایی دارد. در این مطالعه با استفاده از آنالیز بیوانفورماتیک به بررسی و کاندید نمودن ژن های موجود در مسیرهای متابولیسمی سلول های بنیادی گلیوبلاستوما پرداخته شد. روش کار: در این مطالعه با مراجعه به پایگاه داده GEO دیتاست مناسب برای آنالیز انتخاب گردید. این دیتاست شامل پروفایل بیان ژنی در سلول های بنیادی جدا شده از بیماران گلیوبلاستوما بود. کلاسترهای ژنی با بیان بالا و پایین دسته بندی شدند. برای ارزیابی دقیق تر داده از پایگاه های داده غنی همچون Enrichr، STRING و GEPIA استفاده شد. در نهایت ژن هایی کاندید و جدا شدند. یافته ها: 1250 ژن در مسیر های بیوسنتز کلسترول، متابولیسم اینوزیتول تری فسفات، متابولیسم گرانیل گرانیل دی فسفات، بیوسنتز زیموسترول و متابولیسم فسفاتیدیل اینوزیتول بیان بالا داشته و 1030 ژن در مسیرهای کوندروییتین سولفات، درماتان سولفات، N استیل گلوکوزآمین، مسیر گلیکولیز بیان پایین داشتند. پس از ارزیابی ارتباط بین شبکه های پروتئینی، ژن های با بیان بالا و ژن های با بیان پایین انتخاب شدند. تمامی این ژن ها در منحنی بقاء، در بازه حدود 20 ماه، زنده مانی بیماران کمتر از 10% مشاهده شد. نتیجه گیری: نتایج این مطالعه نشان داد که ژن  DHCR7 به طور معنی داری افزایش بیان داشته و ژن ENO2 نیز به طور معنی داری کاهش بیان داشته و بقیه ژن ها افزایش بیان و کاهش بیان نسبی داشتند.

مقدمه: همودیالیز یکی از رایج ترین روش های درمان بیماران مبتلا به نارسایی مزمن کلیه است. افرادی که تحت همودیالیز قرار دارند، با چالش های مختلف خودمدیریتی از قبیل مشکلات جسمی، عاطفی و روانی روبه رو می شوند. برنامه های کاربردی تلفن همراه به عنوان ابزاری مفید جهت روند خودمدیریتی بیماران مزمن می باشند. هدف از این مطالعه شناسایی و معرفی الزامات مورد نیاز در طراحی یک برنامه کاربردی خودمدیریتی مبتنی بر تلفن همراه برای بیماران تحت همودیالیز می باشد. روش کار: این مطالعه به صورت توصیفی-مقطعی در سال 1403 انجام شد. ابزار گردآوری داده ها یک پرسشنامه الکترونیکی محقق ساخته بود که شامل نیازهای اطلاعاتی-آموزشی و قابلیت های برنامه کاربردی بود. نیازسنجی از 33 نفر (11 پزشک و 22 بیمار) در بیمارستان افضلی پور شهر کرمان انجام شد. تجزیه و تحلیل داده ها با استفاده از نرم افزار SPSS نسخه 27 و آماری توصیفی صورت گرفت. یافته ها: در مجموع 89  نیازهای اطلاعاتی- آموزشی و قابلیت های برنامه‎کاربردی برای بیماران تحت همودیالیز شناسایی شد. عناصر داده شناسایی شده برای قابلیت های برنامه کاربردی در ده گروه پروفایل بیمار، داده بالینی، مدیریت مصرف دارو، مدیریت تغذیه و رژیم غذایی، مدیریت چالش های روانشناسی و روانپزشکی، مدیریت خواب، مدیریت درد، برقراری ارتباط، ورزش و ابزار ‍ های جانبی تقسیم شدند. مطابق با دیدگاه پزشکان و بیماران تمامی نیازهای اطلاعاتی- آموزشی (26 عنصر داده) و قابلیت های برنامه کاربردی (63 عنصر داده) به جزء نام خانوادگی، کد ملی و شماره تماس با کسب میانگینی بزرگ تر و مساوی 2/50 (50 درصد) برای طراحی برنامه کاربردی ضروری تلقی شدند. نتیجه گیری: نیازهای اطلاعاتی-آموزشی و قابلیت های برنامه کاربردی شناسایی شده در این مطالعه می تواند به طراحان در طراحی کارآمد و کاربرپسندبودن برنامه های کاربردی خودمدیریتی همودیالیز کمک کند.

مقاله از نوع نامه به سردبیر است، فلذا فاقد چکیده می باشد.

مقدمه: اکتشاف الگوهای پنهان در داده های دارویی، می تواند به بهبود عملکرد داروخانه های بیمارستانی کمک کند. یکی از کاربردهای الگوهای پیشرفته تحلیل داده ها، شناسایی تداخلات دارویی است. روش کار: این مطالعه به روش داده کاوی با استفاده از الگوریتم FP-growth در محیط نرم افزار RapidMiner Studio® 10.1 برای استخراج قواعد ارتباطی و الگوهای پرتکرار دارویی انجام گرفت. پیش پردازش داده ها و مدل سازی بر اساس مدل CRISP-DM انجام شد. نوع و سطح تداخلات دارویی بر اساس نتایج الگوریتم و با مراجعه به پایگاه اطلاعاتی www.drugs.com  تعیین گردید. یافته ها: نتایج شامل 17 قاعده ارتباطی و 126 الگوی تجویز دارو بود که از تک دارویی تا چهار دارویی متغیر است. از 64 الگوی تجویز دو دارویی، 56 مورد فاقد تداخل، 6 مورد با تداخل متوسط (Moderate)، 1 مورد با تداخل جزئی ( Minor) و 1 مورد با تداخل شدید (Major) گزارش شد. همچنین، از 19 الگوی سه دارویی، 18 مورد بدون تداخل و تنها 1 مورد دارای تداخل متوسط بود. در الگوی تجویز چهار دارویی هیچ تداخلی مشاهده نشد.. نتیجه گیری: یافته های این مطالعه می تواند به ذی نفعان در بهبود زنجیره تأمین دارو، تجویز بهینه، کاهش تداخلات دارویی، کاهش هزینه ها کمک کند. چه بسا الگوهای کشف شده می توانند به عنوان بخشی از یک سیستم تصمیم یار بالینی مورد استفاده قرار بگیرند. هر چند که تداخلات دارویی قابل توجهی در این مطالعه مشاهده نشد، اما کشف حتی یک تداخل شدید (Major) اهمیت بسزایی دارد و نقش کاربردی کامپیوتر را در پزشکی می تواند آشکارتر سازد.