دوره 1402، شماره 2 - ( تابستان 1402 1402 )
جلد 1402 شماره 2 صفحات 0-0 |
برگشت به فهرست نسخه ها
Ethics code: IR.MEDILAM.REC.1401.255
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zakariaee S S, Naderi N, Ismail Abdi A. Prognostic significance of chest CT severity score in mortality prediction of COVID-19 patients, a machine learning study. Journal title 2023; 1402 (2)
URL: http://newresearch.medilam.ac.ir/article-1-2023-fa.html
URL: http://newresearch.medilam.ac.ir/article-1-2023-fa.html
ذکریایی سیدسلمان، نادری نگار، اسماعیل عبدی آزا. اهمیت پیش آگهی نمره درگیری ریه در تصاویر سی تی (CT-SS) برای پیش بینی مرگ و میر بیماران کرونا، یک مطالعه یادگیری ماشین. عنوان نشریه. 1402; 1402 (2)
URL: http://newresearch.medilam.ac.ir/article-1-2023-fa.html
دانشگاه علوم پزشکی ایلام
چکیده: (410 مشاهده)
بیماری کرونا یک بیماری عفونی مسری می باشد که با حمله به ریه انسان باعث ظهور علائم بیماری از جمله نارسایی شدید تنفسی می گردد و در افرادی که بیماری های زمینه ای از جمله سابقه ضعف سیستم ایمنی به دلیل پیوند اعضا، سلول های داسی شکل، بیماری های مزمن کلیه، چاقی شدید، دیابت، بیماری انسداد مزمن ریوی، سرطان و نارسایی قلبی دارند، می تواند منجر به مرگ شود. با توجه به قدرت بالای انتقال این بیماری و نرخ بالای مرگ و میر ناشی از ویروس کرونا، تشخیص به هنگام و صحیح بیماران پرخطر و بیماران با احتمال مرگ و میر بالا نقشی بسیار کلیدی در بهبود مدیریت این بیماری و احتمال بقای این بیماران دارد. برای دولت ها و سازمان های بهداشتی درمانی ارائه یک روش پیش آگهی دقیق نقش مهمی در کاهش مرگ و میر بیماران و تخصیص منابع محدود بیمارستانی ایفا می کنند. هوش مصنوعی می تواند یک ابزار مفید جهت شناسایی بیماران پرخطر و با احتمال مرگ و میر بالا باشد. یادگیری مبتنی بر ماشین (ML) یک زیر مجموعه از هوش مصنوعی است که الگوهای پنهان و ناشناخته در پایگاه داده های بزرگ را تعیین می کند. در مطالعات گذشته، از مدل های مبتنی بر یادگیری ماشین برای بررسی احتمال وخامت بیماری و مرگ و میر بیماران مبتلا استفاده شده است. در این بررسی ها، اطلاعات دموگرافیک، عوامل مخاطره، تظاهرات بالینی و نتایج آزمایشگاهی به عنوان فاکتورهای پیش آگهی استفاده شده است. در مطالعات مرور نظامند انجام شده در چند ماه گذشته، ارتباط معنی دار شدت درگیری ریه در تصاویر CT (CT-SS) با مرگ ومیر ناشی از کرونا گزارش شده است. با این وجود هنوز اهمیت پیش آگهی نمره شدت درگیری ریه در تصاویر CT (CT-SS) جهت پیش بینی مرگ ومیر ناشی از کرونا تعیین نشده است. بنابراین هدف این پژوهش ارزیابی اهمیت پیش آگهی نمره شدت درگیری ریه در تصاویر CT(CT-SS) در ترکیب با سایر پارامترهای پیش آگهی جهت پیش بینی مرگ و میر بیماران کرونایی و ارائه یک مدل پیشبینی مبتنی بر یادگیری ماشین با استفاده از مهم ترین فاکتورهای پیش آگهی مرگ و میر بیماران COVID-19 حاصل از تحلیل آماری می باشد.
واژه‌های کلیدی: پیش آگهی مرگ و میر، کووید-19، نمره شدت درگیری ریه در تصاویر CT، یادگیری مبتنی بر ماشین، CT-SS
نوع مطالعه: مقطعی (Cross sectional) |
موضوع پروپزال:
فیزیک پزشکی
دریافت: 1401/6/31 | پذیرش: 1401/10/24 | انتشار: 1402/6/10
دریافت: 1401/6/31 | پذیرش: 1401/10/24 | انتشار: 1402/6/10
ارسال پیام به مجری اصلی
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
