تحقیقات در ارولوژی، جلد ۸، شماره ۱، صفحات ۰-۰
عنوان فارسی پیش‌بینی عفونت ادراری در بیماران بستری در بیمارستان بر اساس داده‌های دموگرافیک و سوابق پزشکی مبتنی بر رویکردهای یادگیری ماشین
چکیده فارسی مقاله زمینه و هدف-عفونت ادراری (UTI) یکی از عفونت­های شایع است که سیستم ادراری را تحت تاثیر قرار می­دهد. روش تشخیص استاندارد UTI  تجزیه و تحلیل کشت ادرار است با این حال این روش تشخیصی زمان­بر بوده و به شدت مستعد خطا است. با توجه به اینکه پیش‌بینی سریع عفونت ادراری به شروع به موقع مصرف آنتی‌بیوتیک و کنترل بهینه­تر عفونت ادراری کمک می­کند، توسعه روشهای تشخیص سریع­تر مورد توجه محققین این حوزه قرار دارد.  روشها- مطالعه حاضر بر اساس داده­های منتشر شده یک مطالعه کوهورت گذشته نگر که در کشور دانمارک و با حجم نمونه 300000 به انجام رسیده است، انجام گرفته است. در مطالعه حاضر و بر اساس داده­ موجود، توانمندی الگوریتم­های یادگیری ماشین شامل بردارهای پشتیبان، درخت تصمیم­گیر، آنالیز تفکیک­کننده خطی و ماشین رگرسیون خطی در پیش­بینی عفونت ادراری بر اساس پیش­گو کننده­هایی نظیر سوابق پزشکی و داده­های دموگرافیک برای بیماران بستری در بیمارستان مورد ارزیابی قرار گرفته است.  نتایج- نتایج این مطالعه نشان داد که  طبقه­بند تفکیک­کننده خطی با دقت 64/0±16/65 پیش­بینی UTI را با استفاده از ویژگی­های دموگرافیک و سوابق پزشکی بیمار انجام می­دهد. از میان ویژگی­ها، سن تاثیر قابل توجهی بر پیش­بینی UTI داشت به نحوی­که دقت مدل در تشخیص UTI در نمونه­های کهنسال، بزرگسال، کودک و جوان به ترتیب 64/73، 25/86، 42/39 و 60/60  بوده­است. ویژگی­های با قدرت تمایز بالا نیز با توجه به تجزیه و تحلیل مؤلفه­های همسایگی پیشنهاد شد. نتیجه­گیری- نتایج این مطالعه پتانسیل هوش مصنوعی را برای پیش‌بینی سریع UTI نشان می‌دهد. با این حال عملکرد سیستم پیش­بینی­کننده با افزودن ویژگی‌های دیگر قابل افزایش خواهد بود.


کلیدواژه‌های فارسی مقاله دستگاه ادراری، عفونت، پیش‌بینی، یادگیری ماشین
عنوان انگلیسی Urinary tract, Infection, Prognosis, machine learning
چکیده انگلیسی مقاله Objective-Urinary tract infection (UTI) is one of the common infections that affects the urinary system. UTI can be detected using analysis of urine culture which is a time-consuming and error-prone procedure. The fast prediction of UTI helps to start antibiotic medication in the correct time and before the culture report. In this study, the potential of artificial intelligence for UTI prediction was investigated. Method- The current study was based on the published data from a retrospective cohort study that was performed in Denmark with 300000 human samples. The performance of machine learning algorithms including support vector machines, decision trees, linear discriminant analysis, and linear regression models was investigated for UTI prediction according to the historical and demographical features. Results-The results showed that UTI prediction using a linear discriminant analysis model with an accuracy of 65.16(±0.64)% was possible. Among the features, age had a significant effect on UTI prediction where the model accuracy for elderly, adult, young, and infant was 73.64, 86.25, 39.42, and, 60.60%, respectively. In addition, the results showed that the classification performance was better for adults compared with younger samples. The most informative features were also suggested according to the neighborhood component analysis. Conclusion- The results of this study highlighted the potential of artificial intelligence for fast UTI prediction; however, the performance needs to be enhanced by addition of other fast-accessible features.
 
کلیدواژه‌های انگلیسی مقاله Urinary tract, Infection, Prognosis, machine learning
نویسندگان مقاله سجاد فراشی | Sajjad Farashi
Hamadan University of Medical Sciences
علوم پزشکی همدان

حسین عماد ممتاز | Hossein Emad MOmtaz
Hamadan University of Medical Sciences
علوم پزشکی همدان

نشانی اینترنتی http://urology.umsha.ac.ir/browse.php?a_code=A-10-3419-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده ارولوژی عصبی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات