|
عنوان طرح : بررسی دقت مدلهای یادگیری ماشین کلاسیک و شبکه های عصبی عمیق در افتراق درد شکم حاد در بیماران مراجعه کننده به اورژانس بیمارستان بعثت همدان در سال 1402 مجری/ مجریان : قدرت اله روشنایی ، رسول سلیمی، آیدین تارخیان همکار/ همکاران : حسین محجوب، جواد فردمال، علی یمینی تاریخ انتشار: مهر 1403 |
|
|
عنوان خبر: دقت مدلهای یادگیری ماشین کلاسیک و شبکه های عصبی عمیق در افتراق درد شکم حاد |
|
|
متن خبر: یک مطالعه جدید با بهرهگیری از هوش مصنوعی به بهبود دقت تشخیص آپاندیسیت در بخشهای اورژانس کمک میکند. این پژوهش که با استفاده از یادگیری ماشین انجام شده است، تلاش دارد تا آپاندیسیت را از سایر علل درد شکم تفکیک کند و به تشخیص سریعتر و دقیقتر منجر شود. در این مطالعه، دادههای 534 بیمار که با درد شکم حاد مراجعه کرده بودند، مورد بررسی قرار گرفت. ویژگیهای بیماران، نتایج آزمایشگاهی و علل درد ثبت و سپس از الگوریتمهای مختلف یادگیری ماشین برای پیشبینی علت درد استفاده شد. نتایج نشان داد که مدل گوسین نایو بیز با دقت 95.03%، حساسیت 87.18% و ویژگی 97.54% بهترین عملکرد را داشت. در مقابل، الگوریتمهای جنگل تصادفی و تقویت گرادیانی نیز با دقت بالای خود، عملکرد خوبی داشتند. با استفاده از این روشهای یادگیری ماشین، دقت تشخیص آپاندیسیت افزایش یافته و احتمال جراحیهای غیرضروری کاهش پیدا میکند. این پژوهش نشان میدهد که به کارگیری هوش مصنوعی در تشخیص آپاندیسیت میتواند به پزشکان کمک کند تا سریعتر و دقیقتر تصمیمگیری کنند، به ویژه در مواردی که علائم بیمار غیرمعمول و پیچیده باشد. |
|
|
گروه مخاطب |
پیام پژوهش |
|
جراحان |
استفاده از مدل های یادگیری ماشینی جراحی های غیر ضروری در درد شکم را کاهش می دهد. |
|
پزشکان اورژانس |
استفاده از مدل های یادگیری ماشینی سرعت تشخیص آپاندیسیت را در اورژانس افزایش می دهد. |
|
سیاست گذاران سلامت |
مدل های یادگیری ماشینی در سیستم تریاژ عملکرد مناسب دارند. |
|
محل بکارگیری نتایج تحقیق( صنعت، جامعه) |
پیشنهاد نحوه کاربست |
|
بیمارستان ها |
کاهش مدت انتظار بیماران با اجرای سیستم های هوش مصنوعی |
|
وزارت بهداشت |
تخصیص بودجه مناسب به طراحی مدل های هوش مصنوعی |
