برنامه ژورنال کلاب دانشجویان  گروه انفورماتیک پزشکی

نیمسال اول و دوم 1402-1401

مدیریت بیماران با دردهای مزمن به عنوان یکی از مشکلات حوزه درمان شناخته می شود. یکی از دلایل مطرح شده در این زمینه دانش ناکافی فراهم کنندگان مراقبت در این باره می باشد. هدف از این مطالعه ارزیابی اثربخشی پلتفرم بازی وارسازی شده مبتنی بر وب برای کسب دانش در زمینه دردهای عصبی و تعیین رضایت و انگیزه دانشجویان فیزیوتراپی می باشد. این مطالعه شبه تجربی با نمونه ای 60تایی از دانشجویان انجام شده است و نتایج حاکی از آن است که استفاده از چنین پلتفرمی میتواند باعث ارتقا دانش و انگیزه دانشجویان در زمینه دردهای عصبی و مزمن گردد. 

افزایش تعداد بیماران مزمن بر ضرورت مقیاس گذاری و گسترش مداخلات نظارت از راه دور دیجیتال تاکید می کند.در این مطالعه مداخله نظارت بر علائم از راه دور یکپارچه بالینی با هدف گسترش در مقیاس وسیع طراحی شد و بیماری اسم به علت شیوع بالای ان در ایالات متحده و بار هزینه این بیماری انتخاب شد. با استفاده از یک فرآیند طراحی کاربر محور که شامل بیماران انگلیسی و اسپانیایی زبان و ارائه دهندگان وابسته به یک مرکز پزشکی دانشگاهی بودند، یک تجزیه و تحلیل ثانویه از رونوشت مصاحبه خود انجام دادند و در نتیجه الزامات یکپارچه سازی EHR را به عنوان بخشی از فرآیند طراحی و توسعه برنامه آسم تعیین کردند 

Explainable Artificial Intelligence for Human Decision Support
System in the Medical Domain

Assessing the potential of GPT-4 to perpetuate racial and gender biases in health care: a model evaluation study

رشد و پیری جمعیت جهان باعث کمبود منابع پزشکی در سالهای اخیر، بهویژه در طول همهگیری COVID-19 شده است. خوشبختانه، توسعه سریع رباتیک و فناوریهای هوش مصنوعی به سازگاری با چالشهای حوزه مراقبتهای بهداشتی کمک میکند. در میان آنها، فناوری گفتار هوشمند (IST) یا سیستم های تشخیص گفتار(Speech Recognition) به بهبود کارایی کادر درمان و کاهش بارکاری آنها خدمت کرده است. با این حال، مشکلاتی مانند تداخل صدا در سناریوهای پیچیده پزشکی و تفاوت های تلفظی بین بیماران و افراد سالم، کاربرد گسترده IST را در بیمارستان ها مختل می کند. در سالهای اخیر، فناوریهایی مانند یادگیری ماشینی در تشخیص هوشمند گفتار به سرعت توسعه یافتهاند که انتظار میرود این مشکلات را حل کند. با توجه به حجم کار قابل توجه وظایف پرستاری، افزایش کارایی اسناد پرستاری ضروری است. این مطالعه با هدف ارزیابی اثربخشی سیستم تشخیص گفتار مبتنی بر یادگیری ماشین (SR) در کاهش بار کاری بالینی مرتبط با تایپ کردن پرونده های پرستاری، اجرا شده در یک بخش روانپزشکی انجام شده است. مجموعه نوشته های زبان بر اساس سوابق موجود از سیستم اطلاعات پرستاری بیمارستان استخراج شده است. فعالیتهای پرستاران بخش شرکت کننده، مکالمه بالینی و دادههای گویش و لهجه برای آموزش موتور SR مبتنی بر یادگیری عمیق جمعآوری شده است.

Machine learning-based speech recognition system for nursing documentation - A pilot study

متاستاز غدد لنفاوی مخفی در کارسینوم سلول سنگفرشی حنجره بر درمان و پیش آگهی بیماران تأثیر می گذارد. هدف این مطالعه مقایسه جامع عملکرد مدل‌های یادگیری عمیق دو ‌بعدی و سه بعدی، مدل رادیومیکس و مدل‌های فیوژن برای پیش‌بینی متاستاز غدد لنفاوی مخفی بوده است. در این مطالعه تشخیصی گذشته نگر، در مجموع 553 بیمار با مرحله N0 LSCC بالینی که تحت درمان جراحی قرار گرفته اند مورد بررسی قرارگرفته است. مدل های یادگیری عمیق سه بعدی، دو بعدی و مدل رادیومیکس با استفاده از تصاویر CT تومور اولیه توسعه داده و مدل بالینی بر اساس ویژگی های بالینی و رادیولوژیکی ساخته شد. دو استراتژی فیوژن مبتنی بر مدل و ویژگی برای توسعه مدل ها مورد استفاده قرار گرفت. نتایج نشان داد که مدل فیوژن مبتنی بر تصمیم،که ترکیبی از مدلهای یادگیری عمیق دو بعدی و سه بعدی ،رادیومیکس و داده های بالینی است، می تواند برای پیش بینی متاستاز غدد لنفاوی مخفی باشد موثر باشد. این پتانسیل وجود دارد، که عمل جراحی غدد لنفاوی و رادیوتراپی پیشگیرانه را در بیماران مبتلا به حداقل برساند.

تاکنون به غیر از تست‌های عصبی پیچیده، هیچ شاخص در دسترس و قابل اعتمادی به منظور سنجش اختلال عملکرد عصبی در میان بیماران مبتلا به بیماری پارکینسون(PD) وجود نداشته‌است. این مطالعه به منظور تعیین نقش تصاویر فوندوس به عنوان یک ابزار غیرتهاجمی و در دسترس برای ارزیابی اختلال عملکرد عصبی در بیماران مبتلا به PD با استفاده از روش‌های یادگیری عمیق بر روی 615 شرکت کننده بر اساس مقیاس H-Y و UPDRS-III صورت گرفته‌است.

 مقاله «پیش‌بینی ناباروری مردان با استفاده از شبکه‌های عصبی مصنوعی» با هدف بررسی استفاده از مدل‌های یادگیری ماشین، به‌ویژه شبکه‌های عصبی مصنوعی، در پیش‌بینی ناباروری مردان است. این مطالعه مقالات تحقیقاتی مختلفی را بررسی می‌کند که از الگوریتم‌های یادگیری ماشینی برای پیش‌بینی ناباروری مردان استفاده می‌کنند و دقت و کارایی این مدل‌ها را ارزیابی می‌کنند. هدف، ارائه یک نمای کلی از رویکردهای محاسباتی مختلف و منابع داده مورد استفاده در پیش‌بینی ناباروری مردان، با تمرکز بر عملکرد و کاربردهای بالقوه شبکه‌های عصبی مصنوعی در این حوزه است.

هادی حسین زاده

(دانشجوی ارشد فناوری اطلاعات سلامت)

In today’s data-driven landscape, where data is hailed as the new oil and information is both abundant and essential for strategic decision-making, data profiling emerges as a pivotal process that transforms raw data into actionable insights. As organizations navigate the complexities of big data, the role of data profiling becomes even more critical, facilitating effective data integration and migration while enhancing data lineage and governance. This dynamic process encompasses a vast array of methods to examine datasets and produce metadata. Data profiling also unveils insights about data structure, hidden patterns, anomalies, quality, and interrelationships.

As part of data preparation, data profiling has numerous traditional use cases, including the basic interpretation of profiling results to support data exploration, making direct use of discovered constraints—such as in data cleansing or query optimization—and deriving meaning from the results, such as in schema engineering. This presentation examines the fundamental aspects of data profiling and its various use cases.

سندرم متابولیک (MetS) یک بیماری مزمن است که در اثر چاقی، فشار خون بالا، قند خون بالا و اختلال چربی خون ایجاد می شود و ممکن است منجر به بیماری های قلبی عروقی یا دیابت نوع 2 شود. بنابراین، تشخیص و پیشگیری از MetS در مراحل اولیه ضروری است. اگر افراد بتوانند به راحتی وضعیت سلامتی خود را در زندگی روزمره خود کنترل کنند، می توانند MetS را زود تشخیص دهند و آن را به طور موثر مدیریت کنند. در این مطالعه، یک مدل پیش‌بینی‌کننده برای MetS با استفاده از اطلاعات صرفاً غیرتهاجمی توسعه داده شد، در نتیجه کاربرد عملی آن در سناریوهای دنیای واقعی تسهیل می‌شود. ساخت این مدل عمداً سه ویژگی را که نیاز به آزمایش خون داشتند، حذف کرد، به‌ویژه مواردی که برای تری گلیسیرید، قند خون و کلسترول HDL مورد نیاز بود. ما از یک مجموعه داده معاینه بهداشتی کره ای در مقیاس بزرگ (n = 70، 370؛ شیوع MetS = 13.6٪) برای توسعه مدل پیش بینی استفاده کردیم. برای به دست آوردن ویژگی های آموزنده، ما سه ویژگی مصنوعی جدید از چهار اطلاعات اساسی ایجاد کردیم: دور کمر، فشار خون سیستولیک و دیاستولیک، و جنسیت. ما چندین الگوریتم طبقه‌بندی را آزمایش کردیم و تأیید کردیم که مدل درخت تصمیم مناسب‌ترین مدل برای پیش‌بینی عملی MetS است. مدل پیشنهادی با AUC of 0.889, a recall of 0.855, and a specificity of 0.773 عملکرد خوبی داشت. این تنها از چهار ویژگی پایه استفاده می کند که منجر به سادگی و تفسیر آسان مدل می شود. علاوه بر این، ما کالیبراسیون‌هایی را روی احتمال پیش‌بینی انجام دادیم و مدل را کالیبره کردیم. بنابراین، مدل پیشنهادی می‌تواند نتایج تشخیص MetS و پیش‌بینی خطر را ارائه دهد. ما همچنین یک نقشه خطر سندرم متابولیک را پیشنهاد کردیم به طوری که افراد به راحتی بتوانند تشخیص دهند که آیا سندرم متابولیک دارند یا خیر.