مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

1,047
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

185
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی صحیح دز «انسولین و گلیبن کلامید» در بیماران دیابتی مبتنی بر ترکیب سیستم های هوشمند و سابقه بیماری

صفحات

 صفحه شروع 245 | صفحه پایان 259

چکیده

 مقدمه: یکی از عوارض خطرناک بیماری دیابت نوع 1, افزایش و یا کاهش ناگهانی سطح غلظت قند خون می باشد که باعث بروز خطراتی مانند اغما و بیهوشی خواهد شد. انسولین و گلیبن کلامید, دو دارویی هستند که در اثر تجویز دز صحیح, سطح غلظت قند خون را در نهایت, به درستی تنظیم می کنند تا از بروز چنین عوارضی پیشگیری شود. بنابراین استفاده از روشی مناسب به منظور پیش بینی یا تجویز صحیح این دارو ها و در نهایت پیشگیری از این عوارض, گام مهمی در جهت کنترل بهینه بیماری محسوب می شود. در این تحقیق ما بر آن هستیم, تا با استفاده از ترکیب الگوریتم های داده کاوی و هوش مصنوعی, پیش بینی صحیحی از دز انسولین وگلیبن کلامید برای بیماران انجام دهیم.روش ها: مراحل ایجاد سیستمی هوشمند به منظور تعیین و پیش بینی میزان صحیح انسولین و گلیبن کلامید بدین صورت است؛ که ابتدا لازم است تا شرایط و پارامترهایی که در میزان و دز دارو (انسولین و گلیبن کلامید) برای بیماران دخیل هستند را شناسایی نماییم, سپس بانک جامعی مبتنی بر این ویژگی ها تشکیل دهیم, با همکاری تیم پزشکی مرکز تحقیقات دیابت شهرستان سبزوار, بانک جامعی در 3 مرحله بر اساس اطلاعات 110 بیمار و 258 مورد مشکوک آن مرکز طراحی شد, سپس طبق قاعده سیستم های هوشمند و شبکه های عصبی مصنوعی, مدلی به منظور پیش بینی میزان دز انسولین و گلیبن کلامید برای بیماران طراحی شد.یافته ها: سیستم پیشنهادی با استفاده از ترکیب روش های مذکور موفق شد با تکیه بر ویژگی های پایگاه داده در قالب ترکیب و تعامل به دقت پیش بینی بیش از 95% دست یابد. در مقایسه با روش های رایج از یکطرف و روش های مصنوعی از طرف دیگر (غالبا در بهترین حالت دقت و صحت قدرت پیش بینی آن ها در حدود 85% برای مدت زمان کمتر از 3 ساعت بوده است) به خوبی مشخص شد که, عملکرد سیستم پیشنهادی, مناسب تر, سریعتر و تا حدودی مطمئن تر از سایر روش های ترکیبی هوشمند است.نتیجه گیری: این تحقیق با ارائه یک روش و مدل برگرفته از واقعیت و شرایط بیماران؛ میزان صحیح و تجویز شده دارو برای آنها را مشخص می کند, این در حالی است که نسبت به روند طبیعی تجویز توسط پزشکان, علاوه بر افزایش سرعت در تعیین میزان دارو, دارای صحت و مقبولیت و دقت قابل قبولی می باشد.

استنادها

  • ثبت نشده است.
  • ارجاعات

    استناددهی

    APA: کپی

    فیوضی، محمد، حدادنیا، جواد، ملانیا، نسرین، هاشمیان، مریم، و حسن پور، کاظم. (1391). پیش بینی صحیح دز «انسولین و گلیبن کلامید» در بیماران دیابتی مبتنی بر ترکیب سیستم های هوشمند و سابقه بیماری. مجله دیابت و متابولیسم ایران (مجله دیابت و لیپید ایران)، 12(3 (پیاپی 49))، 245-259. SID. https://sid.ir/paper/479693/fa

    Vancouver: کپی

    فیوضی محمد، حدادنیا جواد، ملانیا نسرین، هاشمیان مریم، حسن پور کاظم. پیش بینی صحیح دز «انسولین و گلیبن کلامید» در بیماران دیابتی مبتنی بر ترکیب سیستم های هوشمند و سابقه بیماری. مجله دیابت و متابولیسم ایران (مجله دیابت و لیپید ایران)[Internet]. 1391؛12(3 (پیاپی 49)):245-259. Available from: https://sid.ir/paper/479693/fa

    IEEE: کپی

    محمد فیوضی، جواد حدادنیا، نسرین ملانیا، مریم هاشمیان، و کاظم حسن پور، “پیش بینی صحیح دز «انسولین و گلیبن کلامید» در بیماران دیابتی مبتنی بر ترکیب سیستم های هوشمند و سابقه بیماری،” مجله دیابت و متابولیسم ایران (مجله دیابت و لیپید ایران)، vol. 12، no. 3 (پیاپی 49)، pp. 245–259، 1391، [Online]. Available: https://sid.ir/paper/479693/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button