دوره 5، شماره 1 - ( بهار 1401 1401 )                   جلد 5 شماره 1 صفحات 0-0 | برگشت به فهرست نسخه ها

Ethics code: IR.MEDILAM.REC.1399.247

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

taghinezhad F, Kafashian M, Kalvandi G, Shafiei E. Use of artificial neural networks to predict Epidemiological and Clinical risk factors for COVID-19 patient mortality in Ilam, Iran: a retrospective cohort study. Journal title 2022; 5 (1)
URL: http://newresearch.medilam.ac.ir/article-1-1087-fa.html
تقی نژاد فخرالدین، کفاشیان محمدرضا، کلوندی غلامرضا، شفیعی الهام. تببین عوامل کلینیکی و اپیدمیولوژیکی موثر بر مورتالیتی بیماران کرونایی شهر ایلام با استفاده مدل شبکه‌ های عصبی مصنوعی. عنوان نشریه. 1401; 5 (1)

URL: http://newresearch.medilam.ac.ir/article-1-1087-fa.html


مرکز تحقیقات آسیب‌های روانی و اجتماعی، دانشگاه علوم پزشکی ایلام، ایلام، ایران
چکیده:   (1099 مشاهده)
مقدمه و هدف:
از دسامبر 2019 همزمان با شیوع بیماری COIVD-19[1] در چین و گسترش برق‌آسای آن در تمام کشورها، بزرگ‌ترین بحران نظام سلامت و چالش جامعه بشری بعد از جنگ جهانی پدید آمد که نظام‌های سلامت، اقتصاد جهانی و حکومت‌ها را به‌شدت تحت تأثیر قرار داد[1] به‌طوری‌که اولویت‌های قبلی و فعالیت‌های معمول در اکثر حوزه‌ها متوقف و تلاش و سرمایه‌گذاری گسترده‌ای در جهت پیشگیری، تشخیص و  درمان  بیماری، کاهش نرخ ابتلا ، کاهش تعداد بیماران بدحال و نیازمند تخت مراقبت ویژه و بالاخره کاهش  نرخ مرگ‌ومیر شکل گرفت [2]. علیرغم این تلاش بی‌سابقه جنبه‌های مختلف تشخیصی و درمانیِ پیشنهادی و در حال استفاده ، تاکنون با چالش و تردیدهای زیادی همراه بوده است [3]. لذا کم کردن محدودیت‌ها و شکاف دانش موجود، اولویت و تمرکز اصلی مطالعات در حوزه علوم پزشکی بنا بر تشویق سازمان بهداشت جهانی است[4].بر اساس مطالعات صورت گرفته عوامل زیادی می‌توانند در پیش‌آگهی وخیم و بیماران کرونایی و مرگ‌ومیر آنان مؤثر باشند از طرفی بیشتر اطلاعات در مورد فاکتورهای اپیدمیولوژیکی و آزمایشگاهی بیماری COVID-19 ناکافی بوده و موردتردید هستند و قطعیت و شواهد کافی در این مورداستفاده از آنان وجود ندارد. شناسایی اهمیت هر یک از شاخص‌های مرتبط با مرگ‌ومیر حاصل از بیماری،  با استفاده از مدل‌های خروجی کارآمد می‌تواند در  روند درمان و مراقبت بهتر، مدیریت منابع کمیاب در زمان پیک بیماری ازجمله اولویت‌های بندی تخت‌های ویژه و تخت‌های بستری، مدیریت منابع انسانی با توجه به محدودیت منابع انسانی حرفه‌ای، افزایش ضریب اطمینان نسبت به بیماران با خطر پایین‌تر جهت مراقبت در منزل، برنامه‌ریزی مناسب جهت تخصیص دارو و واکسن‌های احتمالی در صورت ساخت در آینده مورداستفاده قرار گیرد. لذا مطالعه حاضر با هدف تبیین نقش ریسک فاکتورهای اپیدمیولوژیکی و آزمایشگاهی بر مورتالیتی بیماران کرونایی با استفاده از مدل شبکه‌ های  عصبی مصنوعی صورت می گیرد.
روش کار :مطالعه حاضر نوعی مطالعه کوهورت گذشته نگر است که درآن مشخصات دموگرافیک و آزمایشگاهی بیمارانی که از تاریخ شروع شیوع کرونا ( از تاریخ اول اسفند) تا اول تیرماه  با تشخیص قطعی بیماری COVID-19  مراجعه و بهبود یافته یا فوت شده اند  به مطالعه وارد می شوند.  این  سپس متغیرهای دموگرافیک، بالینی و آزمایشگاهی با استفاده از مدل شبکه های مصنوعی مورد تحلیل قرار می گیرد تا ریسک فاکتورهای مرتبط با مورتالیتی بیماران شناسایی گردد.
بعد از تایید طرح و گرفتن کد اخلاق   اطلاعات از روی پرونده ها و یا سیستم ریجستری جمع آوری می شود . پس از تکمیل اطلاعات از طریق داده های قبلی،  برررسی مجدد پرونده ها در صورت لزوم و تماس با بیماران و خانواده های آنان ،تجزیه ها و تحلیل با استفاده از نرم افزار MATLAB انجام و فاکتور های موثر در مورتالیتی، متغیرهای میانجی، و سهم هر عامل در تبیین واریانس متغیر وابسته جهت تعیین اهمیت هریک از عوامل  و ......شناسایی و نتایج به صورت تحلیل، جدول و نمودار ارائه خواهد شد.
     
نوع مطالعه: کوهورت | موضوع پروپزال: HSR
دریافت: 1399/4/8 | پذیرش: 1401/3/29 | انتشار: 1401/5/29

ارسال نظر درباره این پروپزال : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به مجری اصلی


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به سامانه جامع مدیریت اطلاعات تحقیقات، پژوهش و فناوری می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 All Rights Reserved | Technology and Research Information System

Designed & Developed by : Yektaweb