کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8408586 1545070 2017 23 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Heart Failure: Diagnosis, Severity Estimation and Prediction of Adverse Events Through Machine Learning Techniques
ترجمه فارسی عنوان
نارسایی قلب: تشخیص، برآورد شدت و پیش بینی رویدادهای ناخوشایند از طریق تکنیک های یادگیری ماشین
کلمات کلیدی
نارسایی قلبی، تشخیص، پیش بینی، برآورد شدت، طبقه بندی، داده کاوی،
ترجمه چکیده
نارسایی قلب یک بیماری جدی با شیوع بالا است (حدود 2٪ در جمعیت بالغ در کشورهای توسعه یافته و بیش از 8٪ در بیماران بالای 75 سال در سال). حدود 3-5٪ از پذیرش بیمارستان با وقایع نارسایی قلب مرتبط است. شکست قلب اولین علت پذیرش توسط متخصصان مراقبت های بهداشتی در عمل بالینی آنها است. هزینه ها بسیار زیاد است و تا 2٪ کل هزینه های بهداشتی در کشورهای توسعه یافته می رسد. ایجاد یک استراتژی مدیریت بیماری موثر نیاز به تجزیه و تحلیل داده های بزرگی از اطلاعات، تشخیص زود هنگام بیماری، ارزیابی شدت و پیش بینی اولیه عوارض جانبی دارد. این پیشرفت بیماری را مهار می کند، کیفیت زندگی بیماران را بهبود می بخشد و هزینه های پزشکی مرتبط را کاهش می دهد. در این راستا، تکنیک های یادگیری ماشین استفاده شده است. هدف از این مقاله، ارائه آخرین تکنیک های یادگیری ماشین های کاربردی برای ارزیابی نارسایی قلبی است. به طور خاص، مدل های پیش بینی حضور، تخمین زیر تیپ، ارزیابی شدت نارسایی قلبی و پیش بینی حضور عوارض جانبی مانند بی ثباتی، مجدد بستری شدن و مرگ و میر ارائه شده است. با توجه به دانش نویسندگان، این اولین بار است که چنین بررسی جامعی با تمرکز بر تمام جنبه های مدیریت نارسایی قلبی ارائه می شود.
موضوعات مرتبط
علوم زیستی و بیوفناوری بیوشیمی، ژنتیک و زیست شناسی مولکولی بیوتکنولوژی یا زیست‌فناوری
پیش نمایش مقاله
نارسایی قلب: تشخیص، برآورد شدت و پیش بینی رویدادهای ناخوشایند از طریق تکنیک های یادگیری ماشین
چکیده انگلیسی
Heart failure is a serious condition with high prevalence (about 2% in the adult population in developed countries, and more than 8% in patients older than 75 years). About 3-5% of hospital admissions are linked with heart failure incidents. Heart failure is the first cause of admission by healthcare professionals in their clinical practice. The costs are very high, reaching up to 2% of the total health costs in the developed countries. Building an effective disease management strategy requires analysis of large amount of data, early detection of the disease, assessment of the severity and early prediction of adverse events. This will inhibit the progression of the disease, will improve the quality of life of the patients and will reduce the associated medical costs. Toward this direction machine learning techniques have been employed. The aim of this paper is to present the state-of-the-art of the machine learning methodologies applied for the assessment of heart failure. More specifically, models predicting the presence, estimating the subtype, assessing the severity of heart failure and predicting the presence of adverse events, such as destabilizations, re-hospitalizations, and mortality are presented. According to the authors' knowledge, it is the first time that such a comprehensive review, focusing on all aspects of the management of heart failure, is presented.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational and Structural Biotechnology Journal - Volume 15, 2017, Pages 26-47
نویسندگان
, , , , ,