زمینه و هدف: تجویز لنز مناسب به منظور ایجاد دید بهتر و کاهش عوارض جانبی، فرآیندی چند مرحله ای، پیچیده، زمان بر و شامل ملاحظات فراوان است که انجام آن تنها توسط یک متخصص چشم خبره امکان پذیر است. هدف این مطالعه، طراحی یک سیستم تصمیم یار در زمینه ی تجویز لنزهای تماسی بود. روش بررسی: در این مطالعه ی بنیادی، داده های مربوط به 127 بیمار مبتلا به کراتوکونوس مراجعه کننده به درمانگاه لنز بیمارستان فارابی دانشگاه علوم پزشکی تهران در بازه ی زمانی اسفند 1392 تا تیرماه 1393 مورد استفاده قرار گرفته است. پنج پارامتر در فرآیند تجویز لنز مورد بررسی قرار گرفت. پارامترهای "موقعیت قرارگیری لنز در راستای عمودی"، "میزان حرکت عمودی لنز حین پلک زدن" و "پهنای ریم در الگوی فلورسین" از طریق تهیه ویدیو از بیمار و "میزان تجمع فلورسین زیر لنز" توسط پزشک و "میزان راحتی لنز" از طریق پرسش از بیمار به دست آمد. مناسب و نامناسب بودن لنز توسط پزشک متخصص تشخیص داده و ثبت شد. از شبکه عصبی مصنوعی به منظور طراحی سیستم تصمیم یار استفاده شد. سیستم توسط ماتریس کانفیوژن مورد ارزیابی قرار گرفت. یافته ها: پس از ارزیابی، سیستم میزان صحت، حساسیت و ویژگی سیستم به ترتیب 91/3، 89/8 و 92/6% به دست آمد. شعاع های مختلفی برای سیگما در نظرگرفته شد که در نهایت شعاع 1/1 بهترین نتیجه را در دسته بندی لنز به دست آورد. نتیجه گیری: اعداد به دست آمده از ارزیابی سیستم نشان داد استفاده از شبکه عصبی مصنوعی به عنوان یک سیستم تصمیم یار می تواند با دقت قابل قبول، ارزیابی لنز تماسی سخت را مورد بررسی قرار داده و لنزهای مناسب و نامناسب را تفکیک نماید.

مقدمه: پوکی استخوان بیماری رایجی در زنان است. شکستگی ها آسیب های جبران ناپذیری ایجاد می کنند. بنابراین، تشخیص زودهنگام این بیماری و شروع درمان قبل از رخ دادن شکستگی مسئله مهمی است. هدف مطالعه حاضر، ایجاد یک سیستم تصمیم یار بالینی مبتنی بر شبکه ­ های عصبی مصنوعی با قابلیت تشخیص ابتلا به پوکی استخوان بود. روش کار: مطالعه حاضر از نوع توسعه ای بود که بصورت مقطعی در نیمه دوم سال 1396 انجام شد. در پژوهش حاضر، ابتدا با شناسایی متغیرهای تاثیرگذار، پرسش نامه نظرسنجی برای انتخاب مهم ترین عوامل بالینی تهیه شد. اطلاعات 256 نفر از زنان و تراکم استخوان پنج سال بعد از ثبت اولیه مربوط به زنان مراجعه کننده به واحد سنجش تراکم استخوان دانشگاه علوم پزشکی بوشهر برای آموزش شبکه استفاده شد. برای یافتن بهترین شبکه از روش آزمون و خطا استفاده شد. همچنین، شبکه با الگوریتم های گرادیان مزدوج و لونبرگ-مارکوارت آموزش داده شد. ارزیابی بر اساس ماتریس آشفتگی و معیار های حساسیت، ویژگی و صحت انجام گرفت. یافته ها: در مرحله اول از 15 ویژگی ضروری از نظر پزشکان، مصرف الکل، انحنای پشت و برداشتن رحم، حذف و 12 متغیر انتخاب شدند. سپس، شبکه عصبی پرسپترون چند لایه طراحی شد. نتایج نشان داد که الگوریتم گرادیان مزدوج با 10 نرون و الگوریتم لونبرگ-مارکوارت با 12 نرون در لایه مخفی بهترین ساختار شبکه را دارند. علاوه بر آن، مقایسه صحت نشان داد که در مجموع الگوریتم لونبرگ-مارکوارت نتایج بهتری داشت. بهترین نتیجه به دست آمده حساسیت، ویژگی و صحت به ترتیب 1/83، 4/89 و 3/86 بود. نتیجه گیری: در مطالعه حاضر، با تمرکز بر داده های بومی ابزاری توسعه داده شد که می تواند در زمینه پیگیری بیماری پوکی استخوان بسیار موثر باشد. استفاده از این ابزار برای ارجاع به موقع افراد بیمار و شروع درمان می تواند از رخ دادن شکستگی عوارض جبران ناپذیر پوکی استخوان جلوگیری کند.

مقدمه: سرطان پستان از مهمترین عوامل مرگ و میر زنان است. بنابراین دقت و سرعت تشخیص بیماری در تعیین روال درمان، بسیار حیاتی است؛ در این راستا برای یکسان سازی گزارش های ماموگرافی از پایگاه داده BI-RADS استفاده شده است. با این وجود تفاوت نظر پزشکان در مورد مقادیر BI-RADS زیاد است. هدف این مقاله تشخیص BI-RADS با پردازش زبان طبیعی و اطلاعات بالینی حاصل از سوابق بیمار، و ترکیب آن ها برای تشخیص زیرگروه های مولکولی و کمک به روند پیگیری درمان می باشد. موارد و روش ها: در این مطالعه از 1200 گزارش پزشکی و اطلاعات بیمارستانی مرکز آموزشی درمانی نمازی بین سال های 1396-1394 استفاده شد. با پردازش گزارش ها، 160 ویژگی متناسب با آنها ایجاد و با مراجعه به سایر اطلاعات بیمارستانی افراد، 18 ویژگی استخراج شد. از مجموعه بردارها با 178 ویژگی، مقادیر BI-RADS با استفاده از SVM و زیرگروه های مولکولی توسط بیزین ساده پیش بینی گردید و مورد ارزیابی قرار می گیرد. نتایج: برای ارزیابی نتایج، مقادیر دقت، ارزش اخباری مثبت، ارزش اخباری منفی، حساسیت و خاصیت، برای تشخیص BI-RADS و زیرگروه های مولکولی محاسبه شدند. میزان دقت برای تشخیص BI-RADS، %85. 42 و برای تشخیص زیرگروه های مولکولی72. 31% بدست آمد. نتیجه گیری: سیستم تصمیم یار ارائه شده مدلی مناسب برای کمک به پزشک جهت تشخیص سرطان پستان و دسته بندی بیماران بود. همچنین مشخص گردید که ترکیب اطلاعات، شامل سوابق پرونده الکترونیک بیماران و زیرگروه های مولکولی تعیین شده در کنار گزارش های ماموگرافی می تواند در تشخیص بیماری و تعیین بهینه روال درمان مفید باشد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

زمینه و هدف: سرطان پستان یکی از رایج ترین و تهاجمی ترین بدخیمی ها در خانم ها می باشد. تشخیص به موقع سرطان پستان نقش مهمی در جلوگیری از پیشرفت این بیماری، اقدامات درمانی به موقع و در نتیجه کاهش میزان مرگ ومیر این بیماران دارد. یادگیری ماشین، قابلیت بالایی در تشخیص سریع و هزینه اثربخش بیماری ها دارد. هدف این مطالعه، طراحی سیستم تصمیم یار بالین (CDSS) Clinical Decision Support System بر اساس قوانین استخراج شده از الگوریتم منتخب درخت تصمیم با بهترین عملکرد به منظور تشخیص به موقع و مؤثر سرطان پستان است. روش بررسی: داده های 597 فرد مشکوک به سرطان پستان(255 بیمار مبتلا و 342 فرد سالم) به صورت گذشته نگر از پایگاه داده الکترونیکی بیمارستان آیت الله طالقانی شهر آبادان در قالب 24 ویژگی عمدتاً سبک زندگی و سوابق پزشکی استخراج شد. پس از انتخاب مهم ترین متغیرها از طریق کای دو پیرسون و تحلیل واریانس یک طرفه(0/05>P)، عملکرد الگوریتم های منتخب داده کاوی شامل (Random Forest (RF)، J-48، Decision Stump (DS)، Rep-Tree (RT و XG-Boost برای تشخیص سرطان پستان در بستر نرم افزار 3. 4 Weka تحلیل شد. در نهایت سیستم تشخیصی سرطان پستان بر اساس بهترین مدل و از طریق زبان برنامه نویسی سی شارپ و چارچوب 3. 5. 4 Dot Net Framework طراحی گردید. یافته ها: 14 متغیر شامل سابقه ی فردی سرطان پستان، سابقه ی نمونه برداری از سینه، سابقه ی رادیوگرافی از قفسه ی سینه، سابقه ی فشارخون، افزایش کلسترول خون LDL (low-density lipoprotein)، وجود توده در ربع فوقانی داخلی سینه، هورمون درمانی با استروژن، هورمون درمانی با استروژن-پروژسترون، سابقه ی خانوادگی سرطان پستان، سن، سابقه ی سرطان های دیگر، نسبت اندازه ی دور کمر به دور باسن و مصرف میوه و سبزی ارتباط معناداری را باکلاس خروجی در سطح 05/0>P نشان دادند. بر اساس نتایج حاصل از ارزیابی عملکرد الگوریتم های منتخب، مدل RF با میزان حساسیت، ویژگی، صحت و اندازه F به ترتیب برابر با 0/97، 0/99، 0/98 و 0/974 و 0/936 =(Area Under the Receiver Operator Characteristics (ROC) Curve (AUC عملکرد بالاتری نسبت به سایر الگوریتم های منتخب داشته است و به عنوان مدل برتر برای تشخیص سرطان پستان پیشنهاد شد. نتیجه گیری: به نظر می رسد که استفاده از متغیرهای تعدیل پذیر مانند سبک زندگی و ویژگی های هورمونی-تولیدمثلی به عنوان ورودی الگوریتم RF برای طراحی CDSS بتواند با صحت بهینه موارد سرطان پستان را تشخیص دهد. به علاوه سیستم پیشنهادی به طور مؤثر در محیط های واقعی بالینی برای تشخیص سریع و مؤثر بیماری قابل اقتباس باشد.

زمینه و هدف: زمانی که سیستم های تصمیم یار بالینی ایجاد شوند، به کارگیری راه حل هایی که بتواند استفاده از این سیستم ها در مقیاس بزرگ را فراهم کند، منجر به کاهش تولید هزینه های ناشی از ایجاد، نگهداری و اشتراک گذاری آن ها از تولید سیستم های متعدد جلوگیری می شود. در سال های اخیر یکی از رویکردهایی که با این هدف به صورت ترکیبی با سیستم های تصمیم یار استفاده می شود، رویکرد معماری سرویس گراست. هدف از انجام این پژوهش، بررسی نقش و اهمیت معماری سرویس گرا در ارایه معماری های مقیاس پذیر سیستم های تصمیم یار بالینی با تمرکز بر رویکردهای مختلف این معماری می باشد. روش بررسی: مقاله ی حاضر از نوع مقاله ی مروری ساده است. پایگاه های الکترونیکی کتابشناختی IEEE Explore، Science Direct، Springer، Web of Science و Scopus بررسی گردید. کلمات کلیدی«معماری سرویس گرا» و «سیستم تصمیم یار بالینی» به عنوان کلمات کلیدی اصلی همراه با اصطلاحات مرتبط برای جستجو در این پایگاه ها استفاده شد. یافته ها: رویکرد سیستم های تصمیم یار بالینی مبتنی بر معماری سرویس گرا مزایایی همچون تسهیل نگهداری دانش، کاهش هزینه و بهبود چابکی را به ارمغان می آورد. ارتباطات نقطه به نقطه، خط خدمات سازمانی، رجیستری خدمات، موتور راهنمای بالینی و موتور مبتنی بر قانون و service choreography and orchestration طرح های کلی معماری می باشند که در استفاده از سیستم های تصمیم یار بالینی مبتنی بر رویکرد معماری سرویس گرا مشهود هستند. نتیجه گیری: معماری سرویس گرا به عنوان یک راه حل بالقوه برای ارایه پلتفرم های مقیاس پذیر سیستم های تصمیم یار بالینی است.

عدم ارتباط مناسب بین دارو های یک بیمار و نتایج آزمایش های وی، منجر به خطاهای دارویی رایجی می شود که اصطلاحا تداخلات دارو-آزمایش نامیده می شوند. تداخلات دارو-آزمایش یکی از انواع اصلی خطاهای قابل پیشگیری در فرآیند درمان بیماران می باشد. به منظور کاهش تداخلات از جمله تداخلات دارو-آزمایش، به کارگیری سیستم تصمیم یار بالینی می تواند برای پزشکان و دیگر مراقبین سلامت درگیر راهکار مناسبی در بهبود روند درمان، افزایش کیفیت مراقبت بیماران و جلوگیری از آسیب های احتمالی بیماران باشد؛ ولی طراحی و پیاده سازی این سیستم ها ملزوماتی نیاز داشته که اگر تامین نشود، اجرا و به کارگیری آن ها را با چالش هایی مواجه خواهد کرد. مقاله حاضر ضمن مرور مختصر این موارد، راه کارهایی را به منظور حل برخی از این مسایل در جهت بهبود اثربخشی این سیستم ها پیشنهاد می کند. با طراحی و پیاده سازی مناسب سیستم تصمیم یار بالینی تداخلات دارو-آزمایش می توان امید داشت این تداخلات کاهش یافته و کیفیت نسخه های دارویی بیماران براساس نتایج آزمایش های آنان بهبود یابد.

مقدمه وارفارین یکی از پرکاربردترین داروی ضد انعقاد است و از مهم ترین روش های درمانی برای پیشگیری از عارضه تشکیل لخته و متعاقب آن سکته مغزی تجویز می شود. مرز باریک بین محدوده درمانی و سطح عارضه ساز وارفارین موجب می شود پیش بینی نتایج حاصل از تجویز آن برای پزشکان دشوار باشد. هدف این پژوهش ایجاد سیستم تصمیم یار بالینی بر اساس راهنمای تفسیر شده کامپیوتری برای تخمین دوز داروی وارفارین بوده است. روش ها پژوهش حاضر از نوع توسعه ای-کاربردی است که در دو مرحله انجام شد. مرحله اول، راهنمای تفسیر شده کامپیوتری براساس گردش کار مدیریت درمان با وارفارین از راهنماهای بالینی «مدیریت مبتنی بر شواهد برای درمان ضد انعقادی» و «درمان ضد انعقادی خوراکی» استخراج و با روش هم اندیشی خبرگان ارزیابی شد. در مرحله دوم نمونه اولیه سیستم تصمیم یار بالینی با زبان برنامه نویسی پی اچ پی و پایگاه داده اس کیو ال طراحی و در نهایت کاربردپذیری آن با روش مکاشفه ای با استفاده از چک لیست نیلسون ارزیابی شد. یافته ها یافته های مرحله اول در قالب دو گردش کار اصلی «درمان و تعیین زمان مراجعه بعدی» و دو گردش کار فرعی «محدوده درمانی هدف برای تخمین و تنظیم دوز داروی وارفارین» نشان داده شد. نتایج نشان داد که کاربردپذیری کلی سیستم تصمیم یار بالینی در سطح «قابل قبول» و درصد امتیاز آن 92/09 است. نتیجه گیری: انتظار می رود نتایج پژوهش حاضر بتواند باعث افزایش قابلیت درک راهنماها برای پزشکان و نیز طراحان سیستم های کامپیوتری شود. پیاده سازی سیستم تصمیم یار بالینی تخمین دوز داروی وارفارین می تواند منجر به بهبود کیفیت تنظیم دوز دارو و کاهش عوارض دارویی شود.

هدف: بیماری نارسایی مزمن کلیه (Chronic kidney disease, CKD) یکی از مهم ترین نگرانی های سلامت عموم در سراسر جهان است. افزایش مداوم تعداد بیماران مبتلاء به مرحله نهایی نارسایی کلیه (End stage renal disease, ESRD) که برای زنده ماندن نیاز به پیوند کلیه و صرف هزینه های زیادی دارند، اهمیت تشخیص زودرس و درمان به موقع بیماری را برجسته تر کرده است. هدف از مطالعه حاضر طراحی یک سیستم تصمیم یار بالینی برای تشخیص CKD و سپس پیش بینی مرحله پیشرفته بیماری برای مدیریت و درمان بهتر بیماران می باشد. مواد و روش ها: در این مطالعه گذشته نگر-توسعه ای، مدارک بالینی 600 بیمار مشکوک به CKD با 22 متغیر که طی سال های 1398 و 1399 به بیمارستان شهید لبافی نژاد تهران مراجعه کرده بودند، مورد بررسی قرار گرفت. بر اساس متغیرهای استخراجی، الگوریتم های داده کاوی مانند بیزین ساده، جنگل تصادفی، درخت تصمیم J-48 و شبکه عصبی پرسپترون چندلایه ایجاد شدند. سپس عملکرد مدل های طراحی شده بر اساس معیارهای ارزیابی عملکرد الگوریتم های طبقه بندی کننده و روش K-Fold cross validaton مورد مقایسه قرار گرفت. در نهایت مناسب ترین مدل پیش بینی کننده بر اساس مقایسه نتایج حاصل از ارزیابی عملکرد الگوریتم ها و با به کارگیری زبان برنامه نویسی C# پیاده سازی گردید. یافته ها: الگوریتم طبقه بندی جنگل تصادفی با میزان صحت 8/99% و 66/88%، اختصاصیت 100% و 8/93%، حساسیت 75/99% و 7/88%، ضریب اف 8/99% و 7/88%، میزان کاپا 4/99% و 73/82% و سطح زیر نمودار(ROC) 100% و 52/90% به عنوان بهترین مدل داده کاوی به ترتیب برای تشخیص و پیش بینی CKD شناسایی شد. نتیجه گیری: در مجموع سیستم MC-DMK توسعه یافته بر اساس الگوریتم جنگل تصادفی می تواند در محیط های واقعی بالینی به صورت کاربردی مورد استفاده قرار گیرد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.