Ethics code: IR.SUMS.NUMIMG.REC.1402.032
سارا هاشمی1 
، شهلا فرامرزی2 ، لعیا رحمانی پیروزی1 ، آزیتا یزدانی* 3
، شهلا فرامرزی2 ، لعیا رحمانی پیروزی1 ، آزیتا یزدانی* 3
1- دانشجوی کارشناسی ارشد انفورماتیک پزشکی، کمیته تحقیقات دانشجویی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی شیراز، شیراز، ایران
2- کارشناس‌ارشد انفورماتیک پزشکی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی شیراز، شیراز، ایران
3- استادیار گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی شیراز، شیراز، ایران ،a_yazdani@sums.ac.ir
2- کارشناس‌ارشد انفورماتیک پزشکی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی شیراز، شیراز، ایران
3- استادیار گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی شیراز، شیراز، ایران ،
چکیده: (75 مشاهده)
زمینه و هدف: سوختگی یکی از شایع‌ترین آسیب‌ها در سراسر جهان و ششمین عامل مرگ‌و میر در ایران است. چالش‌های مربوط به میزان بقای بیماران دچار سوختگی و همچنین مرگ‌و میر ناشی از آن، منجر به پیشرفت در شناسایی عوامل خطر شده است. تشخیص زودهنگام و شناخت عوامل خطر ضروری است و ارایه مدل‌های پیش‌بینی‌کننده می‌تواند مفید باشد. بر این اساس، این پژوهش با هدف مرور عملکرد هوش مصنوعی در پیش‌بینی بقا در بیماران سوختگی انجام گردید.
روش‌بررسی: این مطالعه از نوع مرور نظاممند است. جستجوی جامع پایگاه‌های Scopus، PubMed، (Institute of Electrical and Electronics Engineers (IEEE و Web of Science بدون محدودیت زمانی شروع تا ژانویه ۲۰۲۳ انجام شد. این مطالعه مرور نظاممند بر اساس موارد ترجیحی گزارش برای بررسی‌های سیستماتیک و متاآنالیز انجام گردید. کلمات کلیدی و اصطلاحات مش مرتبط با سوختگی، هوش مصنوعی، بقا و پیش‌بینی در استراتژی سرچ به‌کار رفتند.
یافته‌ها: از ۳۵۹۹ مطالعه‌ی شناسایی شده، نه مطالعه در تجزیه و تحلیل قرار گرفتند. بر اساس گزارش مقالات، عوامل مؤثر شناخته شده در پیش‌بینی بقا در بیماران سوختگی، به چهار دسته‌ی اطلاعات دموگرافیک، بالینی، آزمایشگاهی و بیماری‌های همراه طبقه‌‌بندی شدند. از عوامل مؤثر شناخته شده در بقای بیماران که در بیش از ۴۰ درصد از مطالعات مورد بررسی قرار گرفته عبارتند از: سن، جنسیت، محاسبه سطح کلی سوختگی در بدن، آسیب ناشی از استنشاق و نوع سوختگی. نتایج نشان داد که در مطالعات مورد بررسی، حجم کم‌ترین مجموعه داده مورد استفاده در تحلیل‌ها ۹۲ نمونه بوده است. در مقابل، حجم بیش‌ترین مجموعه داده مورد استفاده ۶۶۶۱۱ نمونه گزارش شده است. در ۳۳ درصد مطالعات، الگوریتم‌های شبکه عصبی مصنوعی و جنگل تصادفی بهترین عملکرد را داشتند. معیارهای مورد استفاده برای ارزیابی مدل‌ها در مطالعات بازیابی شده متفاوت است.
نتیجه‌گیری: به کارگیری الگوریتم‌های یادگیری ماشین در پیش‌بینی بقای بیماران سوختگی و تعیین عوامل مؤثر امیدوارکننده و مفید هستند. نتایج حاصل از عوامل مؤثر شناخته شده می‌تواند به پژوهشگران حوزه‌ی علم داده در مرحله درک داده کمک‌کننده باشد و در جمع‌آوری مجموعه داده‌ی اولیه به عنوان یک نقشه‌ی راه عمل کند.
روش‌بررسی: این مطالعه از نوع مرور نظاممند است. جستجوی جامع پایگاه‌های Scopus، PubMed، (Institute of Electrical and Electronics Engineers (IEEE و Web of Science بدون محدودیت زمانی شروع تا ژانویه ۲۰۲۳ انجام شد. این مطالعه مرور نظاممند بر اساس موارد ترجیحی گزارش برای بررسی‌های سیستماتیک و متاآنالیز انجام گردید. کلمات کلیدی و اصطلاحات مش مرتبط با سوختگی، هوش مصنوعی، بقا و پیش‌بینی در استراتژی سرچ به‌کار رفتند.
یافته‌ها: از ۳۵۹۹ مطالعه‌ی شناسایی شده، نه مطالعه در تجزیه و تحلیل قرار گرفتند. بر اساس گزارش مقالات، عوامل مؤثر شناخته شده در پیش‌بینی بقا در بیماران سوختگی، به چهار دسته‌ی اطلاعات دموگرافیک، بالینی، آزمایشگاهی و بیماری‌های همراه طبقه‌‌بندی شدند. از عوامل مؤثر شناخته شده در بقای بیماران که در بیش از ۴۰ درصد از مطالعات مورد بررسی قرار گرفته عبارتند از: سن، جنسیت، محاسبه سطح کلی سوختگی در بدن، آسیب ناشی از استنشاق و نوع سوختگی. نتایج نشان داد که در مطالعات مورد بررسی، حجم کم‌ترین مجموعه داده مورد استفاده در تحلیل‌ها ۹۲ نمونه بوده است. در مقابل، حجم بیش‌ترین مجموعه داده مورد استفاده ۶۶۶۱۱ نمونه گزارش شده است. در ۳۳ درصد مطالعات، الگوریتم‌های شبکه عصبی مصنوعی و جنگل تصادفی بهترین عملکرد را داشتند. معیارهای مورد استفاده برای ارزیابی مدل‌ها در مطالعات بازیابی شده متفاوت است.
نتیجه‌گیری: به کارگیری الگوریتم‌های یادگیری ماشین در پیش‌بینی بقای بیماران سوختگی و تعیین عوامل مؤثر امیدوارکننده و مفید هستند. نتایج حاصل از عوامل مؤثر شناخته شده می‌تواند به پژوهشگران حوزه‌ی علم داده در مرحله درک داده کمک‌کننده باشد و در جمع‌آوری مجموعه داده‌ی اولیه به عنوان یک نقشه‌ی راه عمل کند.
نوع مطالعه: مروری |
موضوع مقاله:
فناوری اطلاعات سلامت
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
