مدلسازی بقا مبتنی بر شبکه های عصبی بر پایه یادگیری عمیق و کاربرد آن در تحلیل بقای سکته مغزی
Deep Learning Neural Network based Survival Analysis: Application in Brain Stroke
مجریان: محمد اصغری جعفرآبادی
خلاصه روش اجرا: خلاصه روش اجرا: درک درست ارتباطات تابعی بین متغیرها، لازمه ی انجام یک تحلیل چند متغیره است که در آن باید تعداد پارامترها متناهی باشند. در برخی از مطالعات، مانند بقا، که به دلیل وجود سانسور، داده های ناتمام وجود دارد، انجام تحلیل نیازمند برقراری پیش فرض هایی است که ممکن است در برخی از موقعیت های عملی برقرار نباشد. در چنین موقعیت هایی، استفاده از مدل هایی که انعطاف پذیر باشند، مانند شبکه عصبی مصنوعی، پیشنهاد شده است. در این مطالعه با استفاده از روش شبکه های عصبی مبتنی بر یادگیری عمیق (Deep learning) در کنار مدل کاکس (Cox)، به بررسی روابط بین متغیر وابسته بقا با متغیرهای سن، جنس و عوامل خطر عمده سکته مغزی نظیر پرفشاری خون، دیابت، بیماری قلبی و سیگاری بودن ،سابقه سیگاری بودن ، فعالیت ورزشی ، چاقی، قند خون، کلسترول، تری گلیسیرید، پرداخته خواهد شد. در یک تعریف کلی، یادگیری عمیق، همان یادگیری ماشین است، به طوری که در سطوح مختلف نمایش یادگیری را برای ماشین انجام میدهد. با این کار، ماشین درک بهتری از واقعیت وجودی داده ها پیدا کرده و میتواند الگوهای مختلف را شناسایی کند. یادگیری عمیق در واقع همان یادگیری به وسیله شبکه های عصبی ای هستند که دارای لایه های ی پنهانی(Hidden Layers) زیادی می باشند. هر چقدر در لایه های یک شبکه عصبی عمیق جلو تر می رویم، به مدلهای پیچیده تر(و کامل تری) میرسیم. تجزیه و تحلیلها با استفاده از پکیجdeepNNدر نرمافزار R انجام خواهد شد. در این مطالعه داده های مربوط به حدود 380 بیمار با تشخیص قطعی سکته مغزی که از اول اردیبهشت ماه 1383 لغایت دی ماه 1384 در بیمارستان امام خمینی (ره) اردبیل به عنوان اطلاعات پایه در مطالعه حاضر مورد استفاده قرار خواهد گرفت. این اطلاعات شامل خصوصیات دموگرافیک و عوامل خطر که از روی چک لیست دارای ساختاری که شامل سئوالاتی در خصوص سن، جنس و عوامل خطر عمده سکته مغزی نظیر پرفشاری خون، دیابت، بیماری قلبی و غیره بود، از طریق مصاحبه از آزمودنی های پژوهش تکمیل گردیده است. این چک لیست توسط متخصصین نورولوژی و اپیدمیولوژی مورد تایید قرار گرفت. داده های مربوط به بیماری و خصوصیات بالینی بیماران توسط یک رزیدنت آموزش دیده و زیر نظر متخصص مغز واعصاب تکمیل گردیده است. آزمودنی های مطالعه پس از یک ماه ، سه ماه، یک سال، دو سال، پنج سال و ده سال پس از رخداد سکته مغزی مورد پیگیری قرار گرفته و چک لیست مربوطه به طرح و وضعیت میرایی آنان مورد ارزیابی قرار گرفته است. در این مطالعه، میرایی ده ساله و عوامل موثر بر آن مورد بررسی قرار خواهند گرفت. در اﻳﻦ ﭘﮋوﻫﺶ، ﺑﻴﻤﺎراﻧﻲ ﻛﻪ در ﭘﺎﻳﺎن ﺑﺮرﺳﻲ زﻧﺪه هستند و ﻧﻴﺰ ﺑﻴﻤﺎراﻧﻲ ﻛﻪ در زﻣﺎن ﭘﻲ ﮔﻴﺮی اﻃﻼﻋﺎﺗﻲ در ﻣﻮرد وﺿﻌﻴﺖ ﺑﻘﺎءﺷﺎن وﺟﻮد ندارد ﺑﻪﻋﻨﻮان ﺳﺎﻧﺴﻮر از راﺳﺖ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ خواهند شد.
اطلاعات کلی طرح 
| مرحله جاری طرح | خاتمه قرارداد و اجرا |
| کد طرح | 63528 |
| عنوان فارسی طرح | مدلسازی بقا مبتنی بر شبکه های عصبی بر پایه یادگیری عمیق و کاربرد آن در تحلیل بقای سکته مغزی |
| عنوان لاتین طرح | Deep Learning Neural Network based Survival Analysis: Application in Brain Stroke |
| نوع طرح | طرح - پایان نامه |
| اولویت طرح | ارائه الگوهای مناسب در مدیریت نظام سلامت |
| نوع مطالعه | مطالعات روش شناختی |
| تحقیق در نظام سلامت | بلی |
| آیا طرح پایاننامه دانشجویی است؟ | بله |
| مقطع پایان نامه | کارشناسی ارشد |
| مدت اجرا - ماه | 12 |
| نوآوری و ضرورت انجام تحقیق | استفاده از شبکه های عصبی بر پایه یادگیری عمیق در بررسی مشاهدات در مطالعات بقا، از رویکردهایی استفاده میکنند که این رویکردها ابزاری قوی برای مدل سازی ، می باشند. هدف از مطالعه حاضر استفاده از شبکه های عصبی برپایه یادگیری عمیق در تحلیل داده های بقا میباشد. در این مطالعه از معماری شبکه های عصبی و مدل خطر نسبی کاکس استفاده خواهد شد. که این امر ابعاد فضای اصلی را بهطور قابل ملاحظه ای کاهش و در عوض قدرت و یادگیری مدل را افزایش خواهد داد. زیرا یادگیری عمیق علاوه بر داده های بیشتر از افزایش قدرت سخت افزارها و توان محاسباتی نیز بهره می برد چرا که امکان حل مسائل پیچیده و دشوار در زمانی کوتاه ممکن شده است. این الگوریتم ها حالا می توانند مسائل پیچیده را حتی با استفاده از مجموعه داده های متنوع، غیرساختارمند و به هم پیوسته حل کنند. هدف از مطالعه حاضر به کارگیری روش DLNN به منظور ارائه برآوردهای بهتری از پیشبینیهایی با دقت بیشتر برای بقا در دادههای سکته مغزی است. |
| اهداف اختصاصی | - تعیین میزان پیش بینی مدل بقا مبتنی بر شبکه های عصبی بر پایه یادگیری عمیق -مقایسه یافته های حاصل در مدل کاکس برای بقای سکته مغزی و مدل بقا مبتنی بر شبکه های عصبی بر پایه یادگیری عمیق |
| چکیده انگلیسی طرح | Data from 380 patients with a definitive diagnosis of brain stroke in Ardabil-Imam hospital in 2005 _ 2016, will be used in this study. This information includes demographic characteristics and risk factors. Based on a structured checklist that includes information on about the age, sex, and major risk factors for stroke, such as hypertension, diabetes, heart disease, physical activities, smoking status, and smoking history, etc., were completed by interviewing the subjects of the research. The checklist was approved by neurologists and epidemiologists. Patients were under study regularly at one month, three months, a year, two years, five years and, ten years after stroke by a trained researcher under the supervision of a specialist and neurologist. In this study, the ten year mortality and its effective factors will be assessed. Those patients who survived at the end of the study or the ones who there are not any information about their survival status during the follow-up period will be considered as a right-censor. For determining survival by means of Neural Networks, ROC curve (AUC) and Concordance indicators, and R- packages: survival, deep learning will be used |
| کلمات کلیدی | تحلیل بقا: تعریف نظری: تحلیل بقا مجموعهای از روشهای آماری برای تحلیل دادههایی است که متغیر برآیند آنها "زمان مورد نیاز برای رخداد یک پیشامد" است. تعریف عملی: در مطالعه حاضر منظور از تحلیل بقا، مجموعهای از روشهایی برای تحلیل دادههای "زمان تا رخداد مرگ به دلیل سکته مغزی" است. DLNN: تعریف نظری: یادگیری عمیق (DL ) : زیر شاخه از یادگیری ماشینی و بر مبنای مجموعهای از الگوریتمها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در دادگان را مدل نمایند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیر خطی هستند، مدل میکنند. به بیان دیگر پایه ی آن بر یادگیری نمایش دانش و ویژگیها در لایههای مدل است. سیستم عصبی( NN ) : شبکههای عصبی سیستمها و روشهای محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیشبینی پاسخهای خروجی از سامانههای پیچیده هستند. ایده ی اصلی این گونه شبکهها تا حدودی الهامگرفته از شیوهی کارکرد سیستم عصبی زیستی برای پردازش دادهها و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد، یک شبکه عصبی مصنوعی، از سه لایهی ورودی، خروجی و پردازش تشکیل میشود. هر لایه شامل گروهی از سلولهای عصبی (نورون) است که عموماً با کلیهی نورونهای لایههای دیگر در ارتباط هستند، مگر این که کاربر ارتباط بین بنورونها را محدود کند؛ ولی نورونهای هر لایه با سایر نورونهای همان لایه، ارتباطی ندارند . تعریف عملی: یادگیری عمیق (DL ): در این مطالعه منظور استفاده از روشهای DL بر روی داده های سکته مغزی با استفاده از پکیج deepNN در R سیستم عصبی( NN ) : در این مطالعه منظور استفاده از روشهای NN بر روی داده های سکته مغزی با استفاده از پکیج deepNN در R سانسور: تعریف نظری: سانسور به طور کلی به ندانستن زمان دقیق بقا (امکان عدم رخداد پیشامد مورد نظر در زمان تعیین شده برای مطالعه اطلاق میشود. تعریف عملی: در این مطالعه منظور از سانسور ندانستن زمان دقیق مرگ به دلیل سکته مغزی میباشد. |
| ذینفعان نتایج طرح | ذینفعان نتایج این طرح بیماران و دستاندرکاران سلامت مرتبط با آنها یا پزشکان هستند که با استفاده از نتایج این طرح بیماران میتوانند به طور دقیقتر از میزان بقایشان اطلاع داشته باشند و دستاندرکاران سلامت مرتبط با آنها یا پزشکان نیز اطلاعات دقیقتری از بقا بدست میآورند که میتواند برای تصمیمگیری صحیحتر مورد استفاده قرار گیرد |
اطلاعات مجری و همکاران
| نام و نامخانوادگی | سمت در طرح |
|---|---|
| محمد اصغری جعفرآبادی | استاد راهنمای اول (آموزشی ) |
| سید مرتضی شمشیرگران | مشاور |
| نسرین صومعه | دانشجوی مالک پایان نامه |
اطلاعات تفضیلی
| حوزه خبر | خبر |
|---|---|
| رسانه ها و مردم | عنوان خبر بقای بیماران با سکته مغزی با جنسیت مرد، سن بالا، نداشتن فعالیت ورزشی، داشتن سابقه دیابت و چربی خون و نوع هموراژیک، رابطه داشت.متن خبر سکته مغزی یکی از علل مهم مرگ و میر و ناتوانی در دنیاست و بیش از 80 درصد میرایی ناشی از آن در کشورهای در حال توسعه روی می دهد. تقریبا 10 تا 15 درصد از همه سکته مغزی در بزرگسالان جوان 18-49 ساله رخ می دهد.
در مجموع 332 بیمار مبتلا به سکته مغزی، از بیمارستان امام خمینی (ره) اردبیل، طی سال های 98-83 در این مطالعه شرکت کردند. داده ها از اسناد موجود در ثبت بیمارستان جمع آوری شده اند. در این مطالعه استراتژی یادگیری عمیق برای پیش بینی تأثیر عوامل خطر اصلی بر بقای بیماران استفاده شده است.
براساس نتایج بقای بیماران با سکته مغزی با جنسیت مرد، سن بالا، نداشتن فعالیت ورزشی، داشتن سابقه دیابت و چربی خون و نوع هموراژیک، رابطه داشت، و بین سابقه ابتلا به سکته مغزی، بیماری های قلبی، فشار خون، مصرف سیگار و قلیان با بقا رابطه ای مشاهده نشد.
بررسی بقای متعاقب سکته مغزی و عوامل تاثیر گذار بر آن می تواند تدابیر مناسب درمانی و راه کارهای پیشگیری را جهت ارتقای میزان بقای این بیماران ارائه دهد. |
| متخصصان و پژوهشگران | عنوان خبر متن خبر |
| سیاستگذاران درمانی | عنوان خبر متن خبر |
| سیاستگذاران پژوهشی | عنوان خبر متن خبر |
| لینک (URL) مقاله انگلیسی مرتبط منتشر شده 1 |
