مقاله ترجمه شده تشخیص نارسایی قلبی، بستری مجدد و پیش‌بینی مرگ و میر با استفاده از مدل‌های یادگیری ماشین و هوش مصنوعی

سال نشر: ۲۰۲۰

نوع نگارش مقاله: علمی پژوهشی (Research articles)

تعداد صفحه انگلیسی:  ۸  صفحه PDF

تعداد صفحه ترجمه فارسی:  ۱۷  صفحه WORD

دانلود رایگان مقاله انگلیسی

کد محصول: M1507

نام ناشر (پایگاه داده): اشپرینگر

نام مجله:   Current Epidemiology Reports

عنوان کامل فارسی:

مقاله انگلیسی ترجمه شده ۲۰۲۰ :  تشخیص نارسایی قلبی، بستری مجدد و پیش‌بینی مرگ و میر با استفاده از مدل‌های یادگیری ماشین و هوش مصنوعی

عنوان کامل انگلیسی:

Heart Failure Diagnosis, Readmission, and Mortality Prediction Using Machine Learning and Artificial Intelligence Models

چکیده فارسی:

هدف مطالعه:  از هر پنج نفر یک نفر دچار نارسایی قلبی (HF) می شوند و ۵۰ درصد بیماران HF در عرض ۵ سال می میرند. تشخیص HF، بستری مجدد و پیش‌بینی مرگ و میر برای توسعه برنامه‌های پیشگیری و درمان شخصی ضروری است. این مطالعه، یافته‌ها و رویکردهای اخیرِ مدل‌های یادگیری ماشین را برای تشخیص HF و پیش‌بینی نتیجه درمان با استفاده از داده‌های پرونده الکترونیک سلامت (EHR) به طور خلاصهبیان  می‌کند.

یافته‌های اخیر: مجموعه‌ای از مدل‌های یادگیری ماشین برای تشخیص HF و پیش‌بینی نتیجه درمان با استفاده از متغیرهای مختلف برگرفته از داده‌های EHR، از جمله داده‌های جمعیت‌شناسی، سوابق پزشکی، آزمایشگاهی و تصویربرداری  ایجاد شده‌اند، و متخصصان به نتایج پیش بینی قابل مقایسه ای دست یافته اند.

خلاصه: مدل‌های یادگیری ماشین می‌توانند شناسایی بیماران HF و همچنین ارزیابی دقیق ریسک بستری مجدد و مرگ و میر  بیمار را تسهیل کنند. علاوه بر این، تکنیک‌های جدید یادگیری ماشین برای ادغام داده‌های متنوع و بهبود دقت پیش‌بینی مدل در مجموعه داده‌های نامتعادل برای توسعه بیشتر این روش‌های مدل‌سازی ، مهم هستند.

کلمات کلیدی: نارسایی قلبی (HF). یادگیری ماشین . یادگیری عمیق . هوش مصنوعی. بستری مجدد، مرگ و میر

Abstract

Purpose of Review

One in five people will develop heart failure (HF), and 50% of HF patients die in 5 years. The HF diagnosis, readmission, and mortality prediction are essential to develop personalized prevention and treatment plans. This review summarizes recent findings and approaches of machine learning models for HF diagnostic and outcome prediction using electronic health record (EHR) data.

Recent Findings

A set of machine learning models have been developed for HF diagnostic and outcome prediction using diverse variables derived from EHR data, including demographic, medical note, laboratory, and image data, and achieved expert-comparable prediction results.

Summary

Machine learning models can facilitate the identification of HF patients, as well as accurate patient-specific assessment of their risk for readmission and mortality. Additionally, novel machine learning techniques for integration of diverse data and improvement of model predictive accuracy in imbalanced data sets are critical for further development of these promising modeling methodologies.

Keywords: Heart failure (HF) . Machine learning . Deep learning . Artificial intelligence . Readmission . Mortality