چكيده

مقدمه: بیماری‌های قلبی عروقی یکی از چالش‌های بزرگ سلامت عمومی در سراسر جهان محسوب می‌شوند و سهم قابل توجهی از مرگ‌ومیر سالانه را به خود اختصاص می‌دهند. تشخیص و درمان بیماری‌های قلبی و عروقی به دلیل پیچیدگی و ماهیت چندعاملی این بیماری‌ها همواره با چالش­هایی همراه بوده است. عملکرد روش‌های سنتی تشخیص ارائه شده تاکنون، معمولاً به­صورت جعبه سیاه بوده و فاقد شفافیت و قابلیت تفسیر در فرآیند تصمیم‌گیری هستند. بدین منظور توسعه سیستم‌های تصمیم‌یار‌ بالینی مبتنی بر فناوری­های نوین و تکنیک­های هوش مصنوعی پیشنهاد می­شود که می‌توانند به بهبود دقت تشخیص، پیشنهادات درمانی و مدیریت داده‌های بیماران کمک کند. این پژوهش بر طراحی و ارزیابی یک سیستم پیشنهاددهنده­ی اقدامات تشخیصی و درمانی در بیماری‌های قلبی و عروقی بر پایه گراف دانش و مدل‌سازی فازی متمرکز است.

روش کار: پژوهش حاضر از نوع تحلیلی-مقطعی و کاربردی است و بر اساس داده­های جمع­آوری شده از پرونده‌های بیماران قلبی و عروقی در انستیتو قلب و عروق شهید رجایی در سال 1403-1402 استفاده شده است. این پژوهش در شش فاز اصلی انجام شده است. در فاز اول با تمرکز بر روی حوزه سلامت و مطالعات متمرکز بر تشخیص بیماری­ها، به مرور مطالعات انجام شده پرداخته شد و چالش­ها و محدودیت­های مطالعات استخراج شد و تلاش شد در راهکار پیشنهادی به برطرف کردن آن­ها پرداخته شود. در فاز دوم، ابتدا به تحلیل و استخراج نیازمندی­های بالینی و فنی پرداخته شد. در این فاز، به ترتیب اقدامات زیر صورت گرفت: بررسی فرم های پرونده های بستری و سرپایی بیمارستان رجایی و مرکز قلب ایران، آنالیز پرونده ها و استخراج داده ها و اطلاعات، استخراج داروها و آزمایش‏های پرتکرار و اطلاعات نسخ از سامانه نسخه نویسی الکترونیک، برگزاری جلسات بحث گروهی با پزشکان سرگروه در بخش­های مختلف بیمارستان، نظرسنجی در مورد آیتم های پایه پرونده اولیه یک بیمار قلب و عروق، تهیه و تنظیم اسناد مختلف داده­ای، سطوح کفایت داده­ای و تحلیل نیازمندی­ها. بر اساس نتایج حاصل از فاز دوم، در فاز سوم، گراف دانش مبتنی بر استاندارد ICD-11در ده مرحله طراحی و به‌منظور نمایش داده‌ها و اطلاعات در یک نمای بصری پویا و قابل فهم برای پزشکان توسعه داده شد. در فاز چهارم یک مدل تشخیص مبتنی بر سیستم یک استنتاج فازی عصبی ایجاد شد. در نهایت در فاز پنجم، سیستم پیشنهاددهنده مورد نظر مبتنی بر خروجی‌های بدست آمده در فازهای قبل بر بستر وب توسعه داده شد. در فاز آخر نیز به تحلیل و ارزیابی نتایج پرداخته شد.

نتایج: ارزیابی سیستم پیشنهادی نشان‌دهنده عملکرد قابل قبول در تشخیص بیماری‌ها و ارائه پیشنهادات مبتنی بر شواهد است. سیستم طراحی‌شده در ارزیابی اولیه به دقت 90%، حساسیت 89.7% و امتیاز F معادل 86.4% دست یافت. همچنین، میزان تطابق تشخیص مدل با نظر پزشکان بر اساس شاخص کاپا برابر با 0.80 بود که نشان‌دهنده توافق قابل‌قبول بین سیستم و پزشکان است. نتایج نشان می‌دهد که سیستم پیشنهادی توانسته است در بازنمایی تشخیص‌ها و پیشنهادات به پزشکان تاحدودی موفق باشد. علاوه بر این، ارزیابی عمکلرد سیستم بر روی یک مجموعه داده مستقل نیز با نتایج قابل قبولی در این مرحله همراه بوده است.

نتیجه‌گیری: پژوهش حاضر نشان داد که استفاده از سیستم‌های مبتنی بر فناوری‌های نوینی همچون گراف دانش می‌تواند تأثیر قابل‌ملاحظه‌ای در بهبود فرآیندهای تشخیص، درمان و مدیریت بیماران قلبی داشته باشد. در این پژوهش تلاش شد که با توسعه سیستم پیشنهادی بر اساس گراف‌های دانش و مدل‌های فازی، فرایند تشخیص بیماری‌ها و تصمیم‌گیری شفاف‌تر و تفسیرپذیرتر شود. نتایج به‌دست‌آمده نشان‌دهنده پتانسیل این سیستم برای کمک به پزشکان در اتخاذ تصمیمات بالینی دقیق‌تر است. یافته‌های این پژوهش می‌تواند در توسعه سیستم‌های پیشرفته‌تری برای پشتیبانی از تصمیمات بالینی در سایر حوزه‌های پزشکی نیز مورد استفاده قرار گیرد.

کلمات کلیدی: گراف‌ دانش، بصری‌سازی، مدل‌سازی فازی، بیماری‌های قلبی عروقی، سیستم‌ تصمیم‌یار‌ بالینی