fa اهمیت پیش آگهی نمره درگیری ریه در تصاویر سی تی (CT-SS) برای پیش بینی مرگ و میر بیماران کرونا، یک مطالعه یادگیری ماشین فیزیک پزشکی مقطعی (Cross sectional) Cross sectional <span dir="RTL" lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">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. </span></span><span dir="RTL" lang="AR-SA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">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. </span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">یادگیری مبتنی بر ماشین (</span></span><span style="font-size:11.0pt"><span new="" roman="" style="font-family:" times="">ML</span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">) 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. </span></span><span dir="RTL" lang="AR-SA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">در مطالعات مرور نظامند انجام شده در چند ماه گذشته، ارتباط معنی دار شدت درگیری ریه در تصاویر </span></span><span style="font-size:11.0pt"><span new="" roman="" style="font-family:" times="">CT</span></span><span dir="RTL" lang="AR-SA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:"> (</span></span><span style="font-size:11.0pt"><span new="" roman="" style="font-family:" times="">CT-SS</span></span><span dir="RTL" lang="AR-SA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">) با مرگ ومیر ناشی از کرونا گزارش شده است. با این وجود هنوز اهمیت پیش آگهی نمره شدت درگیری ریه در تصاویر </span></span><span style="font-size:11.0pt"><span new="" roman="" style="font-family:" times="">CT</span></span><span dir="RTL" lang="AR-SA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:"> (</span></span><span style="font-size:11.0pt"><span new="" roman="" style="font-family:" times="">CT-SS</span></span><span dir="RTL" lang="AR-SA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">) جهت پیش بینی مرگ ومیر ناشی از کرونا تعیین نشده است. </span></span>&nbsp;<span dir="RTL" lang="AR-SA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">بنابراین هدف این پژوهش ارزیابی اهمیت پیش آگهی نمره شدت درگیری ریه در تصاویر </span></span><span style="font-size:11.0pt"><span new="" roman="" style="font-family:" times="">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:11.0pt"><span new="" roman="" style="font-family:" times="">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 مرگ و میر بیماران کرونایی و </span></span><span dir="RTL" lang="AR-SA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:">ارائه یک مدل پیشبینی مبتنی بر یادگیری ماشین با استفاده از مهم ترین فاکتورهای پیش آگهی مرگ و میر بیماران </span></span><span style="font-size:11.0pt"><span new="" roman="" style="font-family:" times="">COVID-19</span></span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span b="" nazanin="" style="font-family:"> حاصل از تحلیل آماری می باشد. </span></span> پیش آگهی مرگ و میر, 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-10-2528-5&slc_lang=fa&sid=1 Seyed Salman Zakariaee سید سلمان ذکریایی salman_zakariaee@yahoo.com 3733025751 100319475328460083311 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 100319475328460083312 No Department of Midwifery, Faculty of Nursing and Midwifery, Ilam University of Medical Sciences, Ilam, Iran. دانشگاه علوم پزشکی ایلام Aza Ismail Abdi آزا اسماعیل عبدی aza.ismael@epu.edu.iq 3723025751 100319475328460083313 No Department of Radiology, Erbil Medical Technical Institute, Erbil Polytechnic University, Erbil, Iraq گروه رادیولوژی، دانشگاه پلی تکنیک عراق