کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8947347 1645562 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A review of statistical and machine learning methods for modeling cancer risk using structured clinical data
ترجمه فارسی عنوان
بررسی روش آماری و ماشین های یادگیری برای مدل سازی خطر سرطان با استفاده از داده های بالینی ساخت یافته
کلمات کلیدی
پیش بینی سرطان، عود سرطان، سرطان ریه، داده کاوی، فراگیری ماشین، پرونده های سلامتی الکترونیکی،
ترجمه چکیده
پیشرفت ها در زمینه انکولوژی، پیشگیری و درمان سرطان ها به طور مداوم انجام می شود. برای کمک به کاهش تاثیر و مرگ و میر سرطان، آنها باید ابتدا شناسایی شوند. علاوه بر این، پس از درمان های بالقوه درمانی، خطر ابتلا به سرطان در معرض خطر است. مدل های پیش بینی را می توان با استفاده از داده های بیمار تاریخی برای مدل سازی ویژگی های بیماران مبتلا به سرطان یا عودت نمود. سپس این مدل ها می توانند در محیط های بالینی مستقر شوند تا تعیین شود که آیا بیماران جدید در معرض خطر ابتلا به سرطان و یا عود هستند. برای مدلهای پیش بینی شده در مقیاس بزرگ باید ساخته شود، داده های ساخت یافته باید برای طیف گسترده ای از بیماران متنوع در نظر گرفته شود. این مقاله روش های فعلی برای ساخت مدل های خطر سرطان را با استفاده از داده های بالینی بیماران ساخت یافته مورد بررسی قرار می دهد. روند تکنیک های یادگیری آماری و ماشین های کشف شده، و شکاف ها برای تحقیقات آینده شناسایی می شود. زمینه پیش بینی خطر ابتلا به سرطان یک اثر با شدت بالا است و تحقیقات باید برای دستیابی به این مدل ها برای حمایت تصمیم گیری بالینی از سوی پزشکان و بیماران ادامه یابد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
بررسی روش آماری و ماشین های یادگیری برای مدل سازی خطر سرطان با استفاده از داده های بالینی ساخت یافته
چکیده انگلیسی
Advancements are constantly being made in oncology, improving prevention and treatment of cancers. To help reduce the impact and deadliness of cancers, they must be detected early. Additionally, there is a risk of cancers recurring after potentially curative treatments are performed. Predictive models can be built using historical patient data to model the characteristics of patients that developed cancer or relapsed. These models can then be deployed into clinical settings to determine if new patients are at high risk for cancer development or recurrence. For large-scale predictive models to be built, structured data must be captured for a wide range of diverse patients. This paper explores current methods for building cancer risk models using structured clinical patient data. Trends in statistical and machine learning techniques are explored, and gaps are identified for future research. The field of cancer risk prediction is a high-impact one, and research must continue for these models to be embraced for clinical decision support of both practitioners and patients.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Artificial Intelligence in Medicine - Volume 90, August 2018, Pages 1-14
نویسندگان
, ,