چاپ صفحه |  صفحه نخست سامانه |  نویسندگان |  اطلاعات تفضیلی |  دانلود مقاله | دانشگاه علوم پزشکی تبریز |
| نویسنده | نفر چندم مقاله |
|---|---|
| حسن سلیمانپور | دوم |
| صنوبر نادریان | اول |
| عنوان | متن |
|---|---|
| خلاصه مقاله | مقدمه: این مطالعه با هدف ارزیابی اثربخشی مدلهای یادگیری ماشین (ML) در پیشبینی اینتوباسیون مشکل (Difficult Intubation = DI)، در بیماران کاندیدای جراحی فک با استفاده از دادههای بالینی یک مطالعه قبلی که شامل 132 بیمار بود، انجام شد. این مطالعه به دنبال افزایش توانایی متخصصان بیهوشی برای شناسایی بیمارانی است که در معرض خطر اینتوباسیون دشوار هستند، که یک نگرانی مهم در محیطهای جراحی است. روش کار: این تحقیق از الگوریتمهای مختلف ML، از جمله درختهای تصمیم (Decision Tree = DT)، جنگلهای تصادفی (Random Forests = RF)، بیزینهای ساده (Naïve Bayes = NB)، شبکههای عصبی (Neural Networks = NN)، ماشینهای بردار پشتیبانی (Support Vector Machines = SVM)، نزدیکترین همسایه (K-Nearest Neighbors = KNN) و مدلهای Ensemble Learning، در مجموعه داده بالینی موجود، استفاده کرد. این مجموعه داده شامل طیف وسیعی از عوامل به طور بالقوه مرتبط با DI است، مانند امتیاز Mallampati، نتایج آزمایش Upper Lip Bite Test و سایر متغیرهای مرتبط بود. برای بررسی تأثیر تکنیکهای مختلف پیش پردازش (Pre Processing)دادهها، چندین رویکرد با تمرکز ویژه بر انتخاب ویژگی Feature Selection و روشهای نرمال سازی داده ها Normalization، اتخاذ شد. ما در این مطالعه به دنبال بررسی اثر ترکیبی از روشهای انتخاب ویژگی و نرمال سازی داده ها بر دقت پیشبینی مدلها، نسبت به اتخاذ تنها یک رویکرد از این دو دسته نیز بودیم. نتایج: قابل ذکر است که الگوریتم درخت تصمیم به دقت 0.84 و دقت، حساسیت و ویژگی 0.95 دست یافت. همچنین قدرت یادگیری گروهی مبتنی بر Ensemble Learning نیز بسیار حائز اهمیت بود؛ این گروه از یادگیری با ترکیب طبقهبندیکنندهها و مدلهای یادگیری ماشین پایه مختلف، به دقت 0.82 دست یافت. نتایج نشان میدهد که مدلهای ML، بهویژه روشهای Random Forest و Ensemble Learning میتوانند در پیشبینی اینتوباسیون دشوار، زمانی که بر روی دادههای بالینی موجود آموزش داده شوند، بسیار دقیق باشند. نتیجه گیری: تحقیق حاضر نشان میدهد که ترکیب و بررسی احتمالا مختلف از ترکیب روشهای نرمال سازی داده ها و انتخاب ویژگی Feature Selection، از دسته روشهای پیش پردازش داده ها، در افزایش عملکرد الگوریتمی، میتواند در افزایش دقت مدلهای یادگیری ماشین موثر باشد. با این حال، این مطالعه همچنین نیاز به تحقیقات بیشتر برای اصلاح این مدلها، حصول اطمینان از کاربرد و قابلیت اطمینان آنها در محیطهای بالینی دنیای واقعی را دارد. |
| کلمات کلیدی | مالامپاتی، هوش مصنوعی، راه هوایی مشکل، زاویه صورتی |
| نام فایل | تاریخ درج فایل | اندازه فایل | دانلود |
|---|---|---|---|
| 1.pdf | 1403/11/03 | 75395 | دانلود |
| 2.pdf | 1403/11/03 | 44043 | دانلود |
| 123.pdf | 1403/11/03 | 77947 | دانلود |
| 24.pdf | 1403/11/20 | 320865 | دانلود |
| book.pdf | 1403/11/27 | 8396671 | دانلود |
