مقاله انگلیسی تصمیم‌گیری مبتنی بر هوش مصنوعی برای مراقبت شخصی سازی شده از سالمندان: یک چارچوب مبتنی بر MCDM فازی برای بهبود توصیه‌های درمانی

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سفارش ترجمه مقالات مرتبط 

عنوان فارسی:

تصمیم‌گیری مبتنی بر هوش مصنوعی برای مراقبت شخصی سازی شده از سالمندان: یک چارچوب مبتنی بر MCDM فازی برای بهبود توصیه‌های درمانی

عنوان انگلیسی:

AI‑Driven decision‑making for personalized elderly care: a fuzzy MCDM‑based framework for enhancing treatment recommendations

کد محصول: M2006

سال نشر: 2025

نام ناشر (پایگاه داده): اشپرینگر

نام مجله:BMC Medical Informatics and Decision Making

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : ندارد

فرضیه: ندارد

مدل مفهومی: ندارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: 16 صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:M2006)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده

پیش‌زمینه: سیستم‌های بهداشتی و درمانی در سراسر جهان به دلیل افزایش جمعیت سالمندی با چالش‌های بزرگی مواجه هستند. برای اینکه این سیستم‌ها در بلندمدت کارآمد و پایدار باقی بمانند، نیاز به راهکارهای نوآورانه‌ای داریم. اهمیت پایداری مراقبت‌های بهداشتی به دلیل افزایش تعداد سالمندان که به راه‌حل‌های درمانی تخصصی و کارآمد نیاز دارند، دوچندان شده است. با توجه به اهمیت توصیه‌های درمانی شخصی‌سازی‌شده در بهبود نتایج بیماران و همچنین پایداری مراکز درمانی، این مطالعه به نیاز اساسی به درمان‌های هدفمند برای کمک به سالمندان برای عبور از این مسیر پیچیده سلامت می‌پردازد.

اهداف: این پژوهش با ترکیب اتوماسیون  با رویکرد فازی VIKOR و داده‌های پرونده الکترونیکی سلامت (EHR)، به دنبال ایجاد یک سازوکار تصمیم‌گیری خودکار است که توصیه‌های درمانی شخصی‌سازی‌شده برای سالمندان را بهبود بخشد. هدف اصلی افزایش اثربخشی و دقت در انتخاب‌ روش های درمانی با استفاده از مشاهدات خودکار و مبتنی بر داده، رویکرد فازی VIKOR برای مدیریت عدم قطعیت در تصمیم‌گیری و همچنین عمق بالینی داده‌های EHR، است. این تحقیق قصد دارد با پر کردن شکاف بین هوش خودکار و مراقبت‌های بیمارمحور، تضمین کند که توصیه‌های درمانی نه تنها از نظر پزشکی مفید هستند، بلکه با نیازها و ترجیحات هر بیمار نیز همخوانی دارند.

روش: رویکرد فازی VIKOR با داده‌های پرونده الکترونیکی سلامت (EHR) ترکیب شده تا یک چارچوب قوی برای توصیه‌های درمانی شخصی‌سازی‌شده ایجاد شود. از تکنیک‌های هوش مصنوعی برای بهبود پردازش داده‌ها استفاده می‌شود، در حالی که رویکرد فازی VIKOR برای کنترل عدم قطعیت در تصمیم‌گیری به کار می‌رود و داده‌های EHR نیز بینش‌های بالینی جامعی را ارائه می‌دهند. ترکیب این جنبه‌ها امکان ایجاد سیستمی را فراهم می‌کند که عدم قطعیت‌ها در دانش پزشکی و ترجیحات بیمار را در نظر گرفته و در نهایت به مجموعه‌ای رتبه‌بندی‌شده از گزینه‌های درمانی منجر می‌شود که متناسب با دشواری‌های تصمیم‌گیری درمانی برای سالمندان است.

نتایج: این مطالعه نشان می‌دهد که چگونه روش پیشنهادی، انتخاب درمان را برای جمعیت سالمند بهبود می‌بخشد این مطالعه. با ترکیب تحلیل مبتنی بر هوش مصنوعی، رویکرد فازی VIKOR و داده‌های EHR، رویکردی پالایش‌شده و شخصی‌سازی‌شده برای توصیه‌های درمانی ارائه می‌دهد که گزینه‌های درمانی را بر اساس ویژگی‌ها و ترجیحات فردی رتبه‌بندی می‌کند. یافته‌ها پتانسیل این استراتژی را برای مدیریت پیچیدگی‌های مراقبت‌های بهداشتی و کمک به عصر رو به رشد پزشکی دقیق نشان می‌دهد.

نتیجه‌گیری: در نهایت، این مطالعه نقش مهمی در بحث های جاری در مورد پایداری مراقبت‌های بهداشتی برای سالمندان دارد. ترکیب روش‌های مبتنی بر هوش مصنوعی، تکنیک فازی VIKOR و داده‌های EHR رویکردی امیدوارکننده برای بهبود انتخاب روش های درمان در زمینه پزشکی دقیق ارائه می‌دهد. این مطالعه با پذیرش توصیه‌های درمانی شخصی‌سازی‌شده، آینده‌ای را پیش‌بینی می‌کند که در آن ویژگی‌ها و ترجیحات منحصربه‌فرد افراد مسن در فرآیندهای تصمیم‌گیری در نظر گرفته می شوند و نه تنها نتایج بهتری برای بیماران رقم می زنند بلکه پایداری و ماندگاری طولانی‌مدت خدمات بهداشتی برای سالمندان را نیز حفظ می‌کند.

کلمات کلیدی: هوش مصنوعی، مراقبت‌های بهداشتی شخصی‌سازی‌شده، مراقبت از سالمندان، توصیه‌های درمانی، نتایج بیمار، پزشکی دقیق.

Abstract:

Background: Global healthcare systems face enormous challenges due to the ageing population, demanding novel measures to assure long-term efficacy and viability. The expanding senior population, which requires specialised and efficient healthcare solutions, emphasises the importance of improving healthcare sustainability. Recognising the importance of personalised healthcare recommendations in improving patient outcomes as well as facility sustainability, this study tackles the crucial need for targeted treatments to help the elderly navigate the complicated healthcare landscape.

Objectives: Through the integration of automation with the Fuzzy VIKOR approach as well as Electronic Health Record (EHR) data, this work seeks to create an automated decision-making mechanism that improves personalised healthcare suggestions for the elderly. By using automated data-driven observations, Fuzzy VIKOR to handle decision-making uncertainty as well as the clinical depth of EHR data, the primary objective is to increase the efficacy and accuracy of treatment choices. In order to guarantee that treatment recommendations are not only medically beneficial but also in line with each patient’s needs and preferences, this research aims to close the gap between automated intelligence as well as patient-centered care.

Method: The Fuzzy VIKOR approach is used with Electronic Health Record (EHR) data to establish a strong framework for personalised healthcare recommendations. AI techniques are employed to enhance data processing, while Fuzzy VIKOR is used to control uncertainty in decision-making, whereas EHR data gives comprehensive clinical insights. The combination of these aspects enables the creation of a system that compensates for uncertainties in medical knowledge and patient preferences, culminating in a ranked array of treatment alternatives customised to the difficulties of healthcare decision-making for the aged.

Results: The study shows how the proposed methodology improves therapy selection for senior populations. By combining AI-powered analysis, Fuzzy VIKOR, and EHR data, the study provides a refined and personalised approach to healthcare recommendations, providing ranked treatment alternatives based on individual characteristics and preferences. The findings demonstrate the potential of this strategy to handle healthcare complexity and contribute to the developing era of precision medicine.

Conclusion: Finally this study makes an important contribution to the continuing discussion about the sustainability of healthcare for the elderly. The combination of AI-driven methodologies, the Fuzzy VIKOR technique and EHR data offers a promising approach to improving therapy selection in the setting of precision medicine. By accepting personalised healthcare recommendations, this study anticipates a future in which elderly people’s unique characteristics and preferences are central to decision-making processes, maintaining not only better patient outcomes but also the long-term viability and sustainability of healthcare services for the elderly.

Keywords Artificial Intelligence, Personalized healthcare, Elder care, Treatment recommendations, Patient outcomes, Precision medicine

روش‌شناسی

 این بخش فرآیند روش‌شناختی مورد استفاده برای ترکیب تکنیک فازی VIKOR با داده‌های پرونده الکترونیکی سلامت (EHR) را به منظور ارائه توصیه‌های درمانی متناسب در صنعت مراقبت‌های بهداشتی توصیف می‌کند. این بخش فرآیندهای کلیدی چارچوب، از جمله جمع‌آوری داده‌ها، تعریف معیارها و رویه‌های یکپارچه‌سازی را ارائه می‌دهد. این بخش با نشان دادن چگونگی اعمال تصمیم‌گیری چندمعیاره با استفاده از داده‌های استخراج شده از ادبیات، بینش متخصصان و سناریوهای فرضی معتبر، به جای سوابق مستقیم بیمار، یک نقشه راه دقیق برای دستیابی به اهداف تحقیق ارائه می‌دهد…

Methods This section describes the methodological process used to combine Fuzzy VIKOR technique with Electronic Health Record (EHR) data in order to produce tailored suggestions for treatment in the healthcare industry. This section presents the framework’s key processes, including data collection, criterion definition and integration procedures. It offers a detailed roadmap for achieving the research objectives by demonstrating how multi-criteria decision-making is applied using synthesized data from literature, expert insights and validated hypothetical scenarios, rather than direct patient records…

بحث

 بحث در مورد نتایج این مطالعه بر اهمیت تکنیک پیشنهادی در زمینه مشاوره درمانی شخصی‌سازی‌شده برای اختلالات تنفسی تأکید می‌کند. ترکیب روش فازی VIKOR و داده‌های EHR منجر به یک چارچوب قوی شده است که با در نظر گرفتن جنبه‌های مختلف اثربخشی بالینی، ترجیحات بیمار، ایمنی، مقرون به صرفه بودن و امکان‌پذیری [۴۲-۴۶] به ماهیت پیچیده تصمیم‌گیری در مراقبت‌های بهداشتی می‌پردازد…

Discussion The discussion of the study’s outcomes emphasises the significance of the proposed technique in the field of personalised treatment advice for respiratory disorders. The combination of Fuzzy VIKOR methodology as well as EHR data has resulted in a robust framework that tackles the complicated nature of healthcare decision-making by taking into account various aspects of clinical efficacy, patient preferences, safety, cost-effectiveness, as well as feasibility [42–46]…