| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 8658526 | 1574879 | 2018 | 5 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Predicting mortality following gastrointestinal surgery
ترجمه فارسی عنوان
پیش بینی مرگ ومیر ناشی از عمل جراحی گوارشی(gastrointestinal)
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
شبکه عصبی، جراحی دستگاه گوارش داده های نامتعادل پیش بینی مرگ و میر،
فهرست مطالب مقاله
چکیده
کلمات کلیدی
1.مقدمه
2. روش ها
2.1 عوامل خطر بررسی شده
2.2 جایگزینی داده ها
2.3 مدل های آماری و ANN قراردادی
2.4. پیش پردازش داده ها و توسعۀ مدل
2.5. مدل های ANN و انتخاب ویژگی ها/عوامل
3. نتایج
3.1 تحليل يک متغيره
3.2 تجزیه و تحلیل رگرسیون لجستیک چندگانه
3.3. مدل سازی شبکه عصبی مصنوعی
4. بحث
5. نتیجه گیری
کلمات کلیدی
1.مقدمه
2. روش ها
2.1 عوامل خطر بررسی شده
2.2 جایگزینی داده ها
2.3 مدل های آماری و ANN قراردادی
2.4. پیش پردازش داده ها و توسعۀ مدل
2.5. مدل های ANN و انتخاب ویژگی ها/عوامل
3. نتایج
3.1 تحليل يک متغيره
3.2 تجزیه و تحلیل رگرسیون لجستیک چندگانه
3.3. مدل سازی شبکه عصبی مصنوعی
4. بحث
5. نتیجه گیری
ترجمه چکیده
مقدمه: پیش بینی دقیق مرگ ومیر ناشی از عمل جراحی گوارشی، در مقایسه با داده های بقاء، به دلیل نادر بودن مرگ ومیر کاری پیچیده است و باعث می شود که اطلاعات برای طبقه بندی نامتوازن باشند. در نتیجه، دقت پیش بینی تحت تاثیر دسته ی فراوان تر، یعنی بقاء قرار می گیرد. این امر اساسا به پیش پردازش داده ها و همچنین مدلی هوشمند برای طبقه بندی این موارد نیاز دارد. هدف از این مطالعه، شناسایی عوامل خطر و ایجاد یک مدل پیش بینی بهبودیافته با استفاده از چنین داده های نامتوازن می باشد.
روش ها: ما اطلاعات گذشته نگر 3500 بیمار را که در بخش جراحی گوارش مان بستری بودند بررسی کردیم و یک مدل استدلالی خطی برای شناسایی عوامل خطر مرگ ومیر و نیز یک روش شبکۀ عصبی مصنوعی(ANN) را برای پیش بینی مرگ ومیر با دقت بیشتر به کار بردیم.
يافته ها: رگرسيون لوجستيك نشان داد بيماراني كه نياز به حمايت اینوتروپیک يا خونريزي از دستگاه گوارش دارند تقريبا چهار برابر و بيماران بستري اورژانسی تقريبا دو برابر و نيم بیشتر در معرض خطر مرگ مي باشند. در میان هشت مدل ANN، دو مورد از ده مورد پیش بینی کننده شناسایی شد؛ که یک مورد به طور خاص برای پیش بینی بقاء با دقت (93٪) و حساسیت (98٪) بالا است و دیگری برای پیش بینی مرگ ومیر با دقت (85٪) و حساسیت (83٪) بالا با استفاده از روش نمونه برداری سریع اصلاح شده از نظر قواعد ترکیبی(SMOTE) همراه با نمونه گیری کند از دستۀ بیشین می باشد.
نتيجه گيري: مدل هاي ANN با SMOTE به کار رفته دستۀ مرگ ومیر، همراه با نمونه برداری کند از داده هاي دستۀ بقاء، دقت و حساسيت پيش بيني بالایی را برای مرگ ومير فراهم مي كنند. هرچند، مدل های ایجاد شده به آزمایش بیشتر بر روی موارد مشاهده نشده نیاز دارند.
موضوعات مرتبط
علوم پزشکی و سلامت
پزشکی و دندانپزشکی
کاردیولوژی و پزشکی قلب و عروق
چکیده انگلیسی
The ANN models with the SMOTE applied to the mortality class along with under-sampling of the survival class data provided a high prediction accuracy and sensitivity for mortality. However, the developed models need further testing on unseen cases.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Current Medicine Research and Practice - Volume 8, Issue 1, JanuaryâFebruary 2018, Pages 8-12
Journal: Current Medicine Research and Practice - Volume 8, Issue 1, JanuaryâFebruary 2018, Pages 8-12
نویسندگان
Ramesh Lal Sapra, Siddharth Mehrotra, Shailendra Lalwani, Vivek Mangla, Naimish Mehta, Samiran Nundy,