fa اهمیت پیش آگهی نمره درگیری ریه در تصاویر سی تی (CT-SS) برای پیش‌بینی مدت اقامت در بیمارستان و ICU برای بیماران COVID-19: یک مطالعه یادگیری ماشینی فیزیک پزشکی مورد- شاهدی گذشته نگر <span style="font-size:12pt"><span style="text-justify:kashida"><span style="text-kashida:0%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span sans-serif="" style="font-family:Arial,"><span b="" lang="FA" nazanin="" style="font-family:">بیماری کووید-۱۹یک بیماری عفونی مشترک بین انسان و حیوان (</span>Zoonotic<span b="" lang="FA" nazanin="" style="font-family:">)، مسری و منتشره می باشد که باعث آسیب های جدی به دستگاه تنفسی، ایجاد ذات الریه و در مواری منجر به مرگ انسان می گردد. ایران جزء ۱۰ کشور اول از لحاظ میزان شیوع این بیماری بوده است. بر طبق اطلاعات منتشر شده از سازمان بهداشت جهانی (</span>WHO<span b="" lang="FA" nazanin="" style="font-family:">)، تا 13 سپتامبر سال ۲۰۲3 تعداد موارد مبتلا به بیماری کرونا به 695,188,419 نفر رسیده است که تعداد مرگ و میر ناشی از این بیماری 6,914,965&nbsp; نفر اعلام شده است، در ایران نیز در این دوره تعداد 7,613,757 مورد مبتلا و 146,329 مرگ ناشی از این بیماری رخ داده است. با توجه به سرعت انتشار بالای این بیماری، افزایش تعداد مرگ و میرها در سطح جهانی و نیز آثار سوء این بیماری بر وضعیت های اقتصادی و اجتماعی جوامع، استفاده از روش های فناورانه نوین و پیشرفته جهت تشخیص سریع این بیماری در مراحل اولیه، پیگیری وضعیت بیماران و پیش بینی نیروی انسانی و تجهیزات لازم برای مقابله با پیک های آینده شیوع این بیماری بسیار مهم تلقی می شود. تاکنون پژوهش های متعددی در زمینه کاربرد روش های داده کاوی در مدیریت و کنترل بیماری کووید-۱۹ با هدف نظارت و پیش بینی روند بیماری و ارزیابی های همه گیرشناسی، ارائه مدل های تشخیصی، تعیین بهترین مدل درمانی- مراقبتی و پیش گویی احتمال وخامت حال بیماران انجام پذیرفته است. با توجه به افزایش تقاضا به منظور استفاده از خدمات واحدهای مراقبت های ویژه برای بیماران در مرحله پیشرفته بیماری و از طرفی کمبود منابع بیمارستانی، استفاده از تکنیک های پیش بینی کننده محاسباتی به منظور مدیریت بهره وری از منابع بیمارستانی را به امری حیاتی مبدل کرده است. به واسطه بهره وری از امکانات یادگیری ماشین و داده کاوی داده ها در پایگاه های داده ای، می توان نسبت به سطح بندی بیماران به منظور پیش بینی وضعیت های آینده آنها با هدف بهبود مدیریت درمان بهره برد. بنابراین شناسایی، دسته بندی و اولویت بندی متغیرهای بالینی مهم در قالب پیش بینی کننده های خطر وخامت وضعیت بیماران کووید-۱۹ می تواندبه مدیریت بهتر درمان، انتخاب کارآمد ترین خدمات حمایتی و تخصیص بهینه منابع محدود بیمارستانی منجرشود. </span></span></span></span></span></span></span><br> <span dir="RTL" lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">در مطالعات مرور نظامند انجام شده، ارتباط معنی دار شدت درگیری ریه در تصاویر </span></span><span style="font-size:12.0pt"><span arial="" style="font-family:">CT </span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">(</span></span><span style="font-size:12.0pt"><span arial="" style="font-family:">CT-SS</span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">) با وخامت حال بیماران کرونا گزارش شده است. با این وجود هنوز اهمیت پیش آگهی نمره شدت درگیری ریه در تصاویر </span></span><span style="font-size:12.0pt"><span arial="" style="font-family:">CT </span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">(</span></span><span style="font-size:12.0pt"><span arial="" style="font-family:">CT-SS</span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">) جهت پیش بینی احتمال وخامت وضعیت بیماران و مدت بستری شدن بیماران در بیمارستان و </span></span><span style="font-size:12.0pt"><span arial="" style="font-family:">ICU </span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">تعیین نشده است. &nbsp;بنابراین هدف این پژوهش ارزیابی اهمیت پیش آگهی نمره شدت درگیری ریه در تصاویر </span></span><span style="font-size:12.0pt"><span arial="" style="font-family:">CT(CT-SS</span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">) در ترکیب با سایر پارامترهای پیش آگهی جهت پیش بینی مدت بستری شدن بیماران در بیمارستان و </span></span><span style="font-size:12.0pt"><span arial="" style="font-family:">ICU</span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:"> بیماران کرونایی و ارائه یک مدل پیشبینی مبتنی بر یادگیری ماشین با استفاده از مهم ترین فاکتورهای پیش آگهی حاصل از تحلیل آماری می باشد.</span></span> پیش آگهی مدت اقامت در بیمارستان و ICU, کووید-19, نمره شدت درگیری ریه در تصاویر CT, یادگیری مبتنی بر ماشین, CT-SS 0 0 http://newresearch.medilam.ac.ir/browse.php?a_code=A-10-2528-7&slc_lang=fa&sid=1 Seyed Salman Zakariaee سید سلمان ذکریایی salman_zakariaee@yahoo.com 3733025751 100319475328460093688 Yes Department of Medical Physics, School of Medicine, Ilam University of Medical sciences, Ilam, Iran گروه آموزشی فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی ایلام، ایلام، ایران Negar Naderi نگار نادری negarnaderi71@yahoo.com 5580017537 100319475328460093689 No Ilam University of Medical Sciences دانشگاه علوم پزشکی ایلام Hossein Salmanipour حسین سلمانی پور hossein.salmanipour47@gmail.com 4500715576 100319475328460093690 No Department of Radiology, School of Medicine, Ilam University of Medical sciences, Ilam, Iran گروه آموزشی رادیولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی ایلام، ایلام، ایران