سلام دوست من ، توی این پست براتون یه مقاله انگلیسی جدید که در دسته مقالات پزشکی و مقالات مهندسی کامپیوتر هست، منتشر کردیم. خوب این مقاله یه مقاله علمی پژوهشی، از یه مجله ISI هست که توی پایگاه اشپرینگر در سال ۲۰۲۰ منتشر شده. فایل انگلیسی ۸ صفحه PDF و فایل ترجمه ۱۷ صفحه WORD و قابل ویرایشه، مثل همیشه مقاله انگلیسی رو می تونید رایگان دانلود کنید. بخش هایی از ترجمه هم براتون رایگان گذاشتم که قبل از خرید ، کیفیت ترجمه رو بررسی کنید. از کیفیت ترجمه هم نگم براتون که مثل همیشه عالییییه. برای خرید ترجمه کامل مقاله روی گزینه خرید و دانلود آنی ترجمه کلیک کنید بعد از پرداخت لینک دانلود بهتون نشون داده میشه، به ایمیلتونم ارسال میشه. اگر سوالی بود می تونید زیر این پست کامنت بزارید سریع جوابتونو میدم.
کد محصول: M1507
سال نشر: ۲۰۲۰
نام ناشر (پایگاه داده): اشپرینگر
نام مجله: Current Epidemiology Reports
نوع مقاله: علمی پژوهشی(Research articles)
متغیر : ندارد
فرضیه: ندارد
مدل مفهومی: ندارد
پرسشنامه: ندارد
تعداد صفحه انگلیسی: ۸ صفحه PDF
تعداد صفحه ترجمه فارسی: ۱۷ صفحه WORD
قیمت فایل ترجمه شده: ۴۱۰۰۰ تومان
عنوان کامل فارسی:
مقاله انگلیسی ترجمه شده ۲۰۲۰ : تشخیص نارسایی قلبی، بستری مجدد و پیشبینی مرگ و میر با استفاده از مدلهای یادگیری ماشین و هوش مصنوعی
عنوان کامل انگلیسی:
Heart Failure Diagnosis, Readmission, and Mortality Prediction Using Machine Learning and Artificial Intelligence Models
برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید
وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)
مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه) بر روی دکمه ذیل کلیک نمایید
فهرست مطالب
چکیده
مقدمه
روش ها
آمار مقالات مطالعاتی
یادگیری ماشین و یادگیری عمیق برای پیشبینی زیسک نارسایی قلبی
یادگیری ماشین و یادگیری عمیق برای پیشبینی بستری مجدد در بیمارستان
یادگیری ماشینی و یادگیری عمیق برای پیش بینی مرگ و میر
جمع بندی
چکیده فارسی
هدف مطالعه: از هر پنج نفر یک نفر دچار نارسایی قلبی (HF) می شوند و ۵۰ درصد بیماران HF در عرض ۵ سال می میرند. تشخیص HF، بستری مجدد و پیشبینی مرگ و میر برای توسعه برنامههای پیشگیری و درمان شخصی ضروری است. این مطالعه، یافتهها و رویکردهای اخیرِ مدلهای یادگیری ماشین را برای تشخیص HF و پیشبینی نتیجه درمان با استفاده از دادههای پرونده الکترونیک سلامت (EHR) به طور خلاصهبیان میکند.
یافتههای اخیر: مجموعهای از مدلهای یادگیری ماشین برای تشخیص HF و پیشبینی نتیجه درمان با استفاده از متغیرهای مختلف برگرفته از دادههای EHR، از جمله دادههای جمعیتشناسی، سوابق پزشکی، آزمایشگاهی و تصویربرداری ایجاد شدهاند، و متخصصان به نتایج پیش بینی قابل مقایسه ای دست یافته اند.
خلاصه: مدلهای یادگیری ماشین میتوانند شناسایی بیماران HF و همچنین ارزیابی دقیق ریسک بستری مجدد و مرگ و میر بیمار را تسهیل کنند. علاوه بر این، تکنیکهای جدید یادگیری ماشین برای ادغام دادههای متنوع و بهبود دقت پیشبینی مدل در مجموعه دادههای نامتعادل برای توسعه بیشتر این روشهای مدلسازی ، مهم هستند.
کلمات کلیدی: نارسایی قلبی (HF). یادگیری ماشین . یادگیری عمیق . هوش مصنوعی. بستری مجدد، مرگ و میر
مقدمه
بیماری های قلبی عروقی (CVDها) که هر سال موجب مرگ بیش از ۱۸.۹ میلیون نفر در سراسر جهان می شود، علت شماره ۱ مرگ و میر هستند که عامل تقریباً ۳۱٪ از کل مرگ و میر های مرتبط با سلامت در سراسر جهان می باشند [۱، ۲]. نارسایی قلبی (HF) بخش بزرگی از بیماری های CVD و مرگ و میر و همچنین بخش بزرگی از هزینه های مراقبت های بهداشتی مرتبط را به خود اختصاص می دهد [۲]. از هر پنج نفر یک نفر در طول زندگی خود دچار HF می شود و حدود ۵۰ درصد از این بیماران HF در عرض ۵ سال می میرند [۳]. برای مدیریت این جمعیت در حال گسترش بیماران مبتلا به HF، پیشبینی دقیق پیامدهای HF برای پیشگیری و درمان مؤثر، و همچنین برای کاهش هزینههای سنگین مربوط به مراقبتهای بهداشتی ضروری است. تاکید مطالعات بر اهمیت پیشبینی دقیق نتایج درمان بر اساس ارزیابی تأثیر بستری مجدد بیماران HF به دلیل هزینه های زیاد بستری مجدد می باشد به طوری که اگر تقریباً ۲۰٪ بیماران HF ظرف ۳۰ روز پس از ترخیص مجدداً بستری شوند ، برای بیمه پزشکی سالمندان آمریکا تقریباً ۱۷ میلیارد دلار هزینه خواهد داشت.
روش ها
ما یک بررسی جامع از ادبیات موجود بین ژانویه ۲۰۱۵ و آگوست ۲۰۲۰ با جستجو در پایگاه داده کتابخانه PubMed برای مقالات مرتبط انجام دادیم. کلمات کلیدی جستجو شده شامل «نارسایی قلبی یادگیری ماشین» و «نارسایی قلبی یادگیری عمیق» بود. با جستجوی «یادگیری ماشین» و «نارسایی قلبی» در پایگاه داده PubMed، ۳۵۳ مقاله به دست آمد. جستجو برای «یادگیری عمیق» و «نارسایی قلبی» ۶۹ مقاله را نشان داد. با حذف مقالات مشابه از دو جستجوی فوق، ۳۷۴ مقاله منحصر به فرد به دست آمد. در میان آنها ۳۳۵ مقاله مرتبط پس از سال ۲۰۱۵ منتشر شده اند. ما زیرمجموعه ای از کاربردی ترین مقالات را بررسی و انتخاب کردیم (جدول ۱)…
جمع بندی
HF با عوارض و مرگ و میر بالا و همچنین هزینه های سر سام آور مراقبت های بهداشتی همراه است. یادگیری ماشین و یادگیری عمیق با استفاده از دادههای EHR، از جمله ویژگی های جمعیت شناختی، سوابق درمان پزشکی، سوابق تشخیص پزشکی، نتایج آزمایشگاهی، دادههای تصویری، و ویژگی های ژنتیکی و پروتئومی، برای پیشبینی بستری مجدد و مرگومیر بیماران HF به کار گرفته شدهاند. این مدلها برای پیشگیری، درمان و مدیریت شخصی سازی شده و دقیق بیماران HF ضروری هستند. مجموعهای از مدلهای یادگیری ماشین و یادگیری عمیق برای تحلیلهای موفقیت آمیز پیشبینی با استفاده از مجموعه کلان داده های مشتق شده از EHR ارزیابی شدهاند. با این وجود، هنوز چالشهایی وجود دارد که باید حل شوند، و مدلهای جدید یادگیری ماشین برای ادغام دادههای متنوع و ناهمگن برای شناسایی دقیقتر بیماران HF ، مورد نیاز است. ویژگیهای متنوع و ناهمگون دادههای EHR بالینی شامل چارچوب دادههای متغیر (دادههای طولی در مقابل دادههای ثابت؛ دادههای ساختاریافته در مقابل دادههای غیرساختاریافته؛ دادههای متنی در مقابل دادههای تصویری پیچیده)، اندازهگیری جنبههای مختلف بیماریها، نویز دادهها و غلبه HF نامتعادل در مقایسه با نمونههای گروه کنترل مطالعه، می باشند. مدلهای جدید یادگیری ماشین برای نمایش ، ادغام و پیشبینی سیستماتیک داده ، پتانسیل ایجاد تحول در دقت پیشبینی مدل را دارند.
ABSTRACT
Purpose of Review
One in five people will develop heart failure (HF), and 50% of HF patients die in 5 years. The HF diagnosis, readmission, and mortality prediction are essential to develop personalized prevention and treatment plans. This review summarizes recent findings and approaches of machine learning models for HF diagnostic and outcome prediction using electronic health record (EHR) data.
Recent Findings
A set of machine learning models have been developed for HF diagnostic and outcome prediction using diverse variables derived from EHR data, including demographic, medical note, laboratory, and image data, and achieved expert-comparable prediction results.
Summary
Machine learning models can facilitate the identification of HF patients, as well as accurate patient-specific assessment of their risk for readmission and mortality. Additionally, novel machine learning techniques for integration of diverse data and improvement of model predictive accuracy in imbalanced data sets are critical for further development of these promising modeling methodologies.
Keywords: Heart failure (HF) . Machine learning . Deep learning . Artificial intelligence . Readmission . Mortality
Introduction
Cardiovascular diseases (CVDs),which cause over 18.9million deaths globally each year, are the number 1 cause of death, responsible for approximately 31% of all health-related deaths worldwide [1, 2]. Heart failure (HF) accounts for a large portion of this CVDmorbidity andmortality, aswell as an equally large portion of related healthcare expense [2]. One in five people will develop HF in their lifetime, and about 50% of these HF patients will die within 5 years [3]. In the management of this expanding HF patient population, the accurate prediction of HF outcomes is critical to effective prevention and treatment, as well as to the reduction of the burdensome expenditure of related healthcare dollars. The importance of accurate outcome prediction is accentuated by the impact of HF readmissions, which will cost Medicare approximately 17 billion dollars expended on the approximately 20% of patients who are readmitted within 30 days of HF discharge [4]…
Methods
We conducted a comprehensive review of available literature between January 2015 and August 2020 by a search of the PubMed library database for relevant papers. The keywords searched included “machine learning heart failure” and “deep learning heart failure.” By searching “machine learning” and “heart failure” in the PubMed database, 353 papers were obtained. The search for “deep learning” and “heart failure” revealed 69 papers. Removing the common articles from the above two searches, 374 unique papers were obtained. Among them were 335 relevant papers published after 2015. We reviewed and selected a subset of the most applicable publications (Table 1)…
Conclusions
HF is associated with high morbidity and mortality, as well as excessive associated healthcare cost. Using EHR data, including demographic characteristics, medical treatment history, medical diagnosis notes, laboratory results, image data, and genetic and proteomic profiles, machine learning and deep learning have been employed for the prediction of HF readmission and mortality. These models are essential to personalized and precision prevention, treatment, and management of HF patients. A set of machine learning and deep learning models have been evaluated for related prediction analyses with considerable success using large variable data sets derived from the EHR. Nonetheless, there are still challenges to be resolved, and novel machine learning models are still needed to integrate diverse and heterogeneous data in the quest to more accurately identify high-risk HF patients. The diverse and heterogeneous attributes of clinical EHR data include variable data format (longitudinal data versus fixed data; structure versus non-structured data; text data versus complex image data), the measurement of different aspects of the diseases, the data noise, and the predominance of imbalancedHF versus control study group samples. Novel machine learning models for systematic data representation, integration, and prediction have potential to revolutionize model prediction accuracy.
مقالات مرتبط با این موضوع |