|
عنوان طرح: بررسی عوامل موثر بر انجام آنژیوگرافی در افراد دارای بیماری عروق کرونر با استفاده از روش های یادگیری ماشین |
||
|
مجری (ان): سهیلا سعیدی، امیرحسین یزدی |
همکار (ان): حمید بورقی، علی محمدپور، طالب خداویسی، سیدمحمد ایوب زاده، شیوا خشنودی، سیدعابدین حسینی آهنگری، فرهود مومن پور |
|
|
تاریخ انتشار: 1405 |
نوع طرح: کاربردی |
|
|
پیام کلیدی: استفاده از الگوریتمهای یادگیری ماشین میتواند با دقت بالا بیماران نیازمند آنژیوگرافی را شناسایی کرده و به بهبود تصمیمگیری بالینی کمک کند. |
||
|
متن پیام پژوهشی: بیماری عروق کرونر یکی از مهمترین علل مرگومیر در جهان است و تشخیص صحیح بیمارانی که به آنژیوگرافی نیاز دارند نقش مهمی در مدیریت درمان دارد. استفاده از روشهای نوین تحلیل داده مانند یادگیری ماشین میتواند دقت تصمیمگیریهای بالینی را افزایش داده و از انجام اقدامات تشخیصی غیرضروری جلوگیری کند. در این مطالعه اطلاعات 574 بیمار قلبی بررسی شد تا مشخص شود چه بیمارانی به آنژیوگرافی نیاز دارند. با استفاده از چند روش هوش مصنوعی، مدلی طراحی شد که میتواند با دقت بالا این موضوع را پیشبینی کند. نتایج نشان داد عواملی مانند سطح تروپونین، عملکرد قلب (EF)، سن و کراتینین بیشترین نقش را در پیشبینی نیاز به آنژیوگرافی دارند. نتایج این پژوهش میتواند در بیمارستانها و مراکز درمانی برای طراحی سیستمهای تصمیمیار بالینی مورد استفاده قرار گیرد. این سیستمها میتوانند با تحلیل دادههای بیمار، احتمال نیاز به آنژیوگرافی را تخمین بزنند و به پزشکان در تصمیمگیری سریعتر کمک کنند. همچنین این یافتهها میتواند در توسعه نرمافزارهای پزشکی مبتنی بر هوش مصنوعی و پژوهشهای آینده در حوزه سلامت دیجیتال کاربرد داشته باشد. |
||
|
تاثیرات و کاربردهای پژوهش:
|
||
|
محدودیتهای شواهد چه بودند؟
|
||
|
آیا این خبر می تواند از نظر اجتماعی، سیاسی، فرهنگی، بهداشتی، ارزش های دینی و قوانین سازمان غذا و دارو، تبعاتی داشته باشد؟ این پژوهش تبعات منفی اجتماعی یا فرهنگی ندارد و در صورت کاربرد صحیح میتواند موجب بهبود کیفیت خدمات سلامت و تصمیمگیری پزشکی شود. |
||
|
در صورتی که این طرح منتج به مقاله شده است لینک مقاله درج شود:
|
||
|
ایمیل ارتباطی و تلفن مجری اصلی طرح:
|
||
|
منابع و مراجع : 1. Al-Khlaiwi T, Habib SS, Bayoumy N, Al-Khliwi H, Meo SA. Identifying risk factors and mortality rate of premature coronary artery disease in young Saudi population. Sci Rep. 2024;14(1):12727. 2. Singh P, Aurshina A, Rajagopalan V, Imtiaz Z, Khan M, Nwaedozie S, et al. Abstract 3118: An Unusual Case Of Severe Multivessel Atherosclerotic Coronary Artery Disease In A Very Young Patient. Arteriosclerosis, Thrombosis, and Vascular Biology. 2024;44(Suppl_1):A3118–A. 3. Zarepur E, Mohammadifard N, Mansourian M, Roohafza H, Sadeghi M, Khosravi A, et al. Rationale, design, and preliminary results of the Iran-premature coronary artery disease study (I-PAD): A multi-center case-control study of different Iranian ethnicities. ARYA Atheroscler. 2020;16(6):295–300. 4. Fahimfar N, Khalili D, Sepanlou SG, Malekzadeh R, Azizi F, Mansournia MA, et al. Cardiovascular mortality in a Western Asian country: results from the Iran Cohort Consortium. BMJ Open. 2018;8(7):e020303.
|
||
|
گروه مخاطب |
پیام پژوهش |
|
|
پزشکان و متخصصان قلب |
مدلهای یادگیری ماشین میتوانند با دقت بالا تا 0.977 بیماران نیازمند آنژیوگرافی را شناسایی کنند و در تصمیمگیری بالینی کمککننده باشند. |
|
|
مدیران و سیاستگذاران حوزه سلامت |
استفاده از سیستمهای تصمیمیار مبتنی بر هوش مصنوعی میتواند موجب بهبود تخصیص منابع، کاهش آنژیوگرافیهای غیرضروری و افزایش کارایی نظام سلامت شود. |
|
|
پژوهشگران حوزه پزشکی و هوش مصنوعی |
الگوریتمهای پیشرفته مانند XGBoost و Gradient Boosting عملکرد بسیار مناسبی در پیشبینی نیاز به آنژیوگرافی دارند و میتوانند در توسعه مدلهای تشخیصی هوشمند مورد استفاده قرار گیرند. |
|
|
محل بکارگیری نتایج تحقیق( صنعت، جامعه) |
پیشنهاد نحوه کاربست |
|
|
بیمارستانها و مراکز درمانی |
طراحی و پیادهسازی سیستم تصمیمیار بالینی مبتنی بر مدلهای یادگیری ماشین جهت پیشبینی نیاز بیماران به آنژیوگرافی |
|
|
وزارت بهداشت و نظام سلامت |
استفاده از نتایج پژوهش برای توسعه سامانههای هوشمند غربالگری بیماران قلبی و بهینهسازی فرآیندهای تشخیصی |
|
|
دانشگاهها و مراکز تحقیقاتی |
توسعه پژوهشهای آینده با استفاده از دادههای بزرگتر و چندمرکزی برای افزایش دقت مدلهای پیشبینی. |
|
