دوره 8، شماره 1 - ( بهار و تابستان 1403 )
جلد 8 شماره 1 صفحات 26-18 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Farashi S, Emad Momtaz H. Prediction of Urinary Tract Infection for Hospital-admitted Patients based on Demographic and Historical Data, as well as Machine Learning Approaches. J Res Urol 2024; 8 (1) :18-26
URL: http://urology.umsha.ac.ir/article-1-150-fa.html
URL: http://urology.umsha.ac.ir/article-1-150-fa.html
فراشی سجّاد، عماد ممتاز حسین. پیشبینی عفونت ادراری در بیماران بستری در بیمارستان براساس داده‌های دموگرافیک و سوابق پزشکی مبتنی‌بر رویکردهای یادگیری ماشین. مجله تحقیقات در ارولوژی. 1403; 8 (1) :18-26
1- پژوهشکده علوم اعصاب و سلامت روان، پژوهشگاه سلامت ابن‌سینا، دانشگاه علوم‌پزشکی همدان، همدان، ایران ، sajjad_farashi@yahoo.com
چکیده: (639 مشاهده)
سابقه و هدف: عفونت ادراری (UTI) یکی از عفونت‌های شایع است که سیستم ادراری را تحت‌تأثیر قرار می‌دهد. روش تشخیص استاندارد UTI تجزیه‌وتحلیل کشت ادرار است. بااین‌حال، این روش تشخیصی زمان‌بر بوده و به‌شدت مستعد خطاست. با توجه به اینکه پیشبینی سریع عفونت ادراری به شروع به‌موقع مصرف آنتی‌بیوتیک و کنترل بهینه‌تر عفونت ادراری کمک می‌کند، توسعه روش‌های تشخیص سریع‌تر موردتوجه محقّقان این حوزه قرار دارد.
مواد و روش‌‌ها: مطالعه حاضر براساس داده‌های منتشرشده یک مطالعه کوهورت گذشته‌نگر که در کشور دانمارک و با حجم نمونه 300000 به انجام رسیده، انجام شده است. در مطالعه حاضر و براساس داده موجود، توانمندی الگوریتم‌های یادگیری ماشین شامل بردارهای پشتیبان، درخت تصمیم‌گیر، آنالیز تفکیک‌کننده خطّی و ماشین رگرسیون خطّی در پیشبینی عفونت ادراری براساس پیش‌گوکننده‌هایی نظیر سوابق پزشکی و داده‌های دموگرافیک برای بیماران بستری در بیمارستان ارزیابی شده است.
یافته‌ها: نتایج این مطالعه نشان داد که طبقه‌بندی تفکیک‌کننده خطّی با دقت 64/0±16/65 پیشبینی UTI را با استفاده از ویژگی‌های دموگرافیک و سوابق پزشکی بیمار انجام می‌دهد. از میان ویژگی‌ها، سن تأثیر قابل‌توجهی بر پیشبینی UTI داشت؛ به‌نحوی‌که دقت مدل در تشخیص UTI در نمونه‌های کهن‌سال، بزرگ‌سال، کودک و جوان به ترتیب 64/73، 25/86، 42/39 و 60/60 بوده است. ویژگی‌های با قدرت تمایز بالا نیز با توجه به تجزیه‌وتحلیل مؤلّفه‌های همسایگی پیشنهاد شد.
نتیجه‌گیری: نتایج این مطالعه پتانسیل هوش مصنوعی را برای پیشبینی سریع UTI نشان می‌دهد. بااین‌حال، عملکرد سیستم پیش‌بینی‌کننده با افزودن ویژگی‌های دیگر قابل‌افزایش خواهد بود.
مواد و روش‌‌ها: مطالعه حاضر براساس داده‌های منتشرشده یک مطالعه کوهورت گذشته‌نگر که در کشور دانمارک و با حجم نمونه 300000 به انجام رسیده، انجام شده است. در مطالعه حاضر و براساس داده موجود، توانمندی الگوریتم‌های یادگیری ماشین شامل بردارهای پشتیبان، درخت تصمیم‌گیر، آنالیز تفکیک‌کننده خطّی و ماشین رگرسیون خطّی در پیشبینی عفونت ادراری براساس پیش‌گوکننده‌هایی نظیر سوابق پزشکی و داده‌های دموگرافیک برای بیماران بستری در بیمارستان ارزیابی شده است.
یافته‌ها: نتایج این مطالعه نشان داد که طبقه‌بندی تفکیک‌کننده خطّی با دقت 64/0±16/65 پیشبینی UTI را با استفاده از ویژگی‌های دموگرافیک و سوابق پزشکی بیمار انجام می‌دهد. از میان ویژگی‌ها، سن تأثیر قابل‌توجهی بر پیشبینی UTI داشت؛ به‌نحوی‌که دقت مدل در تشخیص UTI در نمونه‌های کهن‌سال، بزرگ‌سال، کودک و جوان به ترتیب 64/73، 25/86، 42/39 و 60/60 بوده است. ویژگی‌های با قدرت تمایز بالا نیز با توجه به تجزیه‌وتحلیل مؤلّفه‌های همسایگی پیشنهاد شد.
نتیجه‌گیری: نتایج این مطالعه پتانسیل هوش مصنوعی را برای پیشبینی سریع UTI نشان می‌دهد. بااین‌حال، عملکرد سیستم پیش‌بینی‌کننده با افزودن ویژگی‌های دیگر قابل‌افزایش خواهد بود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
ارولوژی عصبی
دریافت: 1403/3/27 | پذیرش: 1403/9/21 | انتشار: 1403/6/10
دریافت: 1403/3/27 | پذیرش: 1403/9/21 | انتشار: 1403/6/10
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
حق تالیف (کپی رایت) برای مولفان محفوظ است.
صاحب امتیاز: دانشگاه علوم پزشکی همدانناشر: انتشارات دانشگاه علوم پزشکی همدان
شماره تماس مجله: 08138380283
شماره تماس ناشر: 08138380548
ایمیل: urology[at]umsha.ac.ir
