پیش بینی نیاز به بستری در بخش مراقبت های ویژه (ICU) برای بیماران مبتلا به Covid19 بستری در بیمارستان به روش شبکه عصبی مصنوعی
Predicting Intensive Care Unit Admission among Hospitalized COVID-19 Patients by artificial neural network method
مجریان: پروین سربخش
خلاصه روش اجرا: با توجه به اینکه بیماری covid19 بیماری نوظهوری است و پیامدهای بسیار متفاوتی را از بهبودی کامل تا فوت نتیجه می دهد، بررسی و تعیین عوامل موثر بر پیامدهای بیماران مبتلا حائز اهمیت فراوان است. هدف از این مطالعه بررسی عوامل موثر بر نیاز به بستری در بخش مراقبت های ویژه (ICU) در بیماران مبتلا به کوید 19 بستری در بیمارستان با روش شبکه های عصبی مصنوعی و بر اساس متغیرهایی که اندازه گیری آنها سریع و آسان بوده و در عین حال از ارزش پیش بینی بالایی برخوردارند، می باشد. در این مطالعه مشاهده ای، داده های مربوط به 139 بیمار مبتلا به Covid19 بستری شده در بیمارستان امام رضای تبریز در فروردین 99 تحلیل خواهد شد و طی آن برای مدلسازی پیش بینی پیامد نیاز به بستری در ICU بیماران بستری از روش شبکه عصبی مصنوعی پرسپترون چند لایه و به کارگیری طیف وسیعی از متغیرهای دموگرافیک، بالینی، ازمایشگاهی و سابقه بیماری ها استفاده خواهد شد. از 139 بیمار مورد بررسی، 23 نفر پیامد بستری در ICU را داشته اند هر چند حجم نمونه موجود محدود است ولی به دلیل سختی جمع اوری اطلاعات دقیق بالینی و ازمایشگاهی برای بیماران کرونا به دلیل ماهیت بیماری، این مطالعه بیشتر به عنوان مطالعه امکان سنجی استفاده از روشهای داده کاوی برای پیش بینی پیامدهای بیماری COVID19 با استفاده از داده های موجود می باشد تا در صورت مشاهده نتایج قابل قبول، بتوان ان را در سطح وسیع تری در بیمارستانها برای پیش بینی وضعیت بیماران و تصمیم گیری decision making در خصوص ادامه روند درمانی آنها پیشنهاد کرد. برای اعتبارسنجی مدل از روش گروه آموزش و آزمون استفاده خواهد شد. قدرت پیش بینی مدل با محاسبه صحت کلی، حساسیت، ویژگی و سطح زیر منحنی ROC گزارش خواهد شد. جهت تعیین متغیرهای موثر، شاخص اهمیت نسبی متغیرها محاسبه و گزارش خواهد شد.
اطلاعات کلی طرح 
| مرحله جاری طرح | خاتمه قرارداد و اجرا |
| کد طرح | 67691 |
| عنوان فارسی طرح | پیش بینی نیاز به بستری در بخش مراقبت های ویژه (ICU) برای بیماران مبتلا به Covid19 بستری در بیمارستان به روش شبکه عصبی مصنوعی |
| عنوان لاتین طرح | Predicting Intensive Care Unit Admission among Hospitalized COVID-19 Patients by artificial neural network method |
| نوع طرح | گرنت پژوهشی |
| اولویت طرح | غربالگری، اپیدمیولوژی، پیشگیری و مراقبت در بیماریهای نوپدید و بازپدید |
| نوع مطالعه | مطالعات روش شناختی |
| تحقیق در نظام سلامت | خیر |
| آیا طرح پایاننامه دانشجویی است؟ | خير |
| مقطع پایان نامه | |
| مدت اجرا - ماه | 12 |
| نوآوری و ضرورت انجام تحقیق | با توجه به اینکه در لحظه بستری بیمار در بیمارستان پیش بینی نیاز به بستری شدن وی در بخش ICU در روزهای آتی از دیدگاه مدیریتی و درمانی دارای اهمیت فراوان است، داشتن مدلی برای انجام چنین پیش بینی بر اساس حداقل تعداد متغیرهای در دسترس، ضروری است |
| اهداف اختصاصی | برازش مدل شبکه عصبی مصنوعی به داده ها جهت پیش بینی نیاز به بستری در ICU |
| چکیده انگلیسی طرح | Considering that covid19 is an emerging disease and results in very different outcomes from complete recovery to death, it is important to investigate and determine the factors affecting the outcomes of patients. This study aimed to investigate the factors affecting the need for hospitalization in the intensive care unit (ICU) in hospitalized patients with Covid19 by artificial neural network method ad based on variables that are easy and fast to measure and at the same time they have a high predictive value. In this observational study, the data of 139 patients with Covid19 admitted to Imam Reza Hospital in Tabriz between March 20 and April 5, 2020, will be analyzed, and a wide range of demographic, clinical, laboratory, and disease history variables will be applied to predict the outcome of the need for hospitalization in ICU using the perceptron artificial neural network method. The data will be entered into the analysis in a standardized way and the neural network will be fitted to the data. To validate the model, the training and test group method with a ratio of 70% to 30% will be used. The predictive power of the model will be reported by calculating the overall accuracy, sensitivity, specificity, and area under the ROC curve. To determine the effective variables, the index of the relative importance of the variables will be calculated and reported. |
| کلمات کلیدی | کوید19: بیماری کروناویروس ۲۰۱۹ (به انگلیسی: Coronavirus disease 2019) یا کووید-۱۹ (انگلیسی: COVID-19)[۳] که به آن بیماری تنفسی حاد انکاو-۲۰۱۹ یا بهشکل عمومی به آن کرونا نیز میگویند (انگلیسی: 2019-nCoV acute respiratory disease)، بیماریای عفونی است که بر اثر کروناویروس سندرم حاد تنفسی ۲ (SARS-CoV-2) ایجاد میشود.[ شبکه عصبی مصنوعی:شبکههای عصبی مصنوعی یا شبکههای عصبی صناعی (Artificial Neural Networks - ANN) یا به زبان سادهتر 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. ایدهٔ اصلی این گونه شبکهها تا حدودی الهامگرفته از شیوهٔ کارکرد سیستم عصبی زیستی برای پردازش دادهها و اطلاعات به منظور یادگیری و ایجاد دانش میباشد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. نظام سلامت |
| ذینفعان نتایج طرح | بیماران و مدیران بخش سلامت |
اطلاعات مجری و همکاران
| نام و نامخانوادگی | سمت در طرح |
|---|---|
| پروین سربخش | مجری اول (اصلی-هیات علمی) |
| صبا غفاری | همکار اصلی |
| الناز شاسب | همکار اصلی |
اطلاعات تفضیلی
| حوزه خبر | خبر |
|---|---|
| رسانه ها و مردم | عنوان خبر متن خبر |
| متخصصان و پژوهشگران | عنوان خبر از مدلهای یادگیری ماشین می توان برای پیشبینی پذیرش در ICU بیماران COVID-19 با دقت قابل قبول استفاده کرد.متن خبر مطالعه حاضر که پیشبینی پذیرش در ICU بیماران COVID-19 با استفاده از مدلهای یادگیری ماشین است، به بررسی اهمیت نتایج تحقیقات در بهبود مراقبتهای بهداشتی میپردازد. در این مطالعه، دادههای 139 بیمار مبتلا به COVID-19 که در بیمارستان امام رضا در تبریز بستری بودند، تحلیل شد. مدل شبکه عصبی مصنوعی (ANN) با استفاده از الگوریتم Elastic Net برای انتخاب ویژگیهای کلیدی، از جمله سن، جنس، شاخص توده بدنی و علائم حیاتی، ساخته شد. دقت کلی مدل 93.15% و ناحیه زیر منحنی ROC (AUC) آن 0.90 بود. یافتهها نشان میدهند که این مدل میتواند به شناسایی بیماران مبتلا به COVID-19 در معرض خطر بالا برای پذیرش در ICU کمک کند و به پزشکان و سیاستگذاران در اتخاذ تصمیمات مبتنی بر شواهد یاری رساند. |
| سیاستگذاران درمانی | عنوان خبر متن خبر |
| سیاستگذاران پژوهشی | عنوان خبر متن خبر |
| لینک (URL) مقاله انگلیسی مرتبط منتشر شده 1 |
