|
|
دومین کنگره انفورماتیک پزشکی و هفتمین همایش سلامت الکترونیک
|
|
|
| عنوان فارسی |
پیش بینی عملکرد کلیه پیوندی به کمک سامانه تصمیم یار بالینی هوشمند |
|
| چکیده فارسی مقاله |
مقدمه: معیار اصلی پزشکان در فرایند مراقبت مادام العمر پس از پیوند کلیه، بررسی معاینات بالینی بیمار، نتایج آزمایشات و شاخص میزان فیلتراسیون کلیوی (eGFR) می باشد. سیستم های پشتیبان تصمیم با استفاده از این اطلاعات می توانند پزشکان را در پیش بینی های بالینی حمایت نمایند. در مطالعات قبلی، روشهای مختلفی در پیش بینی میزان بقا کلیه پیوندی، بقای بیمار، انتخاب بهترین گیرنده و ... مورد استفاده قرار گرفته است ولی استفاده روتین روزانه ندارند. از اینرو هدف ما، ایجاد ابزاری است که بتواند به صورت روزانه، در هنگام مراجعه بیماران جهت مراقبت های پس از پیوند، اطلاعات و دانش مناسبی را تولید نموده و در اختیار پزشکان قرار دهد تا تصمیمات بهتری اتخاذ نمایند. ما در این تحقیق با استفاده از اطلاعات در دسترس مانند نتایج فعلی و قبلی آزمایشات و معاینات بالینی، مقدار eGFR را در بازه زمانی آتی (چند ماه بعد) پیش بینی می نمایم تا پزشک علاوه بر وضعیت کنونی بیمار از روند عملکرد آتی کلیه پیوندی نیز آگاهی یافته و روش درمانی مناسبتری را جهت ادامه مراقبت انتخاب نماید. برای پیش بینی مقدار آتی eGFR، مدلهای مختلفی مبتنی بر شبکه های عصبی پرسپترون چند لایه، رگرسیون خطی، درخت تصمیم، ماشین بردار پشتیبان و شبکه های عصبی مبتنی بر ویولت استفاده گردیده و بهترین روش انتخاب شده است. روش بررسی: بخشی از اطلاعات و سوابق بالینی 15 سال گذشته 940 نفر از بیماران پیوندی مرکز پیوند کلیه بیمارستان امام خمینی ارومیه انتخاب گردید. رکوردهای اطلاعاتی مدنظر بعنوان دیتای اصلی سیستم پشتیبان تصمیم شامل نتایج آزمایشات FBS، Scr، BUN، WBC، Hgb و نتایج معاینات بالینی فشار خون سیستولی و دیاستولی، وزن، سن کنونی بیمار، سن پیوندی و مقدار کنونی eGFR می باشد که در هر بار مراجعه بیماران ثبت گردیده است. از میان تمامی داده ها، 75% آنها برای آموزش و مابقی 25% آنها برای ارزیابی عملکرد مدل پیش بینی مورد استفاده قرار گرفت. در مرحله اول با استفاده از سابقه نتایج آزمایشات و معاینات روز جاری مقدار آتی eGFR به عنوان شاخص عملکرد آتی کلیه پیش بینی گردید. در مرحله بعد، عمل پیش بینی با تعداد سوابق بیشتری از مراجعات قبلی (از 1 تا 10 سابقه قبلی) انجام و عملکرد مدل ارزیابی گردید. یافته ها: مجموعه داده ای شامل 35066 رکورد اطلاعاتی مربوط به 940 گیرنده کلیه بود. به طور متوسط هر بیمار دارای 39 رکورد سابقه مراجعه بوده و متوسط فاصله زمانی بین مراجعات مختلف هر بیمار 59 روز بود. که نتایج، کارایی بهتر شبکه های عصبی پرسپترون چند لایه را نشان می دهد. به علاوه نتایج ارزیابی مدل نشان می دهد که هر قدر سوابق مراجعات بیشتری به عنوان ورودی مدل پیش بینی استفاده شود عملکرد مدل بهتر می شود. نتیجه گیری: نتایج نشان می دهد این سامانه تصمیم یار می تواند به عنوان یک ابزار کمکی در دسترس پزشکان قرار گرفته و حین در فرایند مراقبتهای روزانه پیگیری های مادام العمر بعد از پیوند اطلاعات مناسبی از وضعیت آتی عضو پیوندی در اختیار پزشک قرار داده و در تصمیم گیری به آنها کمک نماید. |
|
| کلیدواژه‌های فارسی مقاله |
|
|
| عنوان انگلیسی |
|
|
| چکیده انگلیسی مقاله |
|
|
| کلیدواژه‌های انگلیسی مقاله |
|
|
| نویسندگان مقاله |
rashidi khazaei -
-
-
-
|
|
| نشانی اینترنتی |
http://mieh-2018.modares.ac.ir/browse.php?a_code=A-10-140-2&slc_lang=fa&sid=1 |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
دوره مرتبط |
کنفرانس مرتبط |
فهرست کنفرانس ها
|
