بررسی الگوریتم های هوش مصنوعی در پیش بینی مدت بقای بیماران پیوند کلیه: مطالعه مروری نظام مند

Publish Year: 1404
نوع سند: مقاله ژورنالی
زبان: Persian
View: 222

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_NKUMS-17-2_001

تاریخ نمایه سازی: 29 تیر 1404

Abstract:

مقدمه: مدت بقای پیوند کلیه یکی از مهم ترین عوامل در تصمیم گیری برای انجام یا عدم انجام عمل پیوند کلیه است. هوش مصنوعی با توجه به توانمندی هایش می تواند یکی از روش های مناسب برای پیش بینی مدت بقای پیوند کلیه باشد. این مطالعه مروری با هدف بررسی عملکرد هوش مصنوعی در این حوزه طراحی شده است. مواد و روش ها: در یک مطالعه مروری نظام مند با استفاده از ترکیب کلیدواژه های مسئله، تمام مقالات مرتبط با هوش مصنوعی در پیش بینی مدت بقای بیماران کلیوی از پایگاه های داده پابمد، اسکوپوس و WOS استخراج شدند. این مقالات ازنظر حجم نمونه، نوع الگوریتم و پارامترهای ارزیابی بررسی گردیدند. سپس، پارامترهای ارزیابی مقالات با یکدیگر مقایسه شدند و تعداد مقالاتی که از الگوریتم های جعبه سفید استفاده کرده اند، مشخص شدند و تعیین گردید که تا چه میزان هوش مصنوعی در مدت بقای پیوند کلیه موثر بوده است. نتایج: در این مطالعه، ۲۱ مقاله وارد بررسی شدند. حدود ۴۵ درصد از این مقالات با استفاده از شبکه عصبی مصنوعی و الگوریتم های دسته بندی تجمعی مسئله را حل و حدود ۳۵ درصد از مقالات با استفاده از روش های رگرسیون، مدل پیش بینی را طراحی کرده اند. روش های رگرسیونی دقت کمتری نسبت به سایر روش ها داشته و الگوریتم های دسته بندی تجمعی عملکرد بهتری نشان داده و به حساسیت و ویژگی بالای ۹۰ درصد رسیده اند. همچنین، حدود ۲۰ درصد از مقالات از روش های جعبه سفید استفاده کرده اند. نتیجه گیری: این مطالعه نشان داد که کاربرد هوش مصنوعی در حوزه پیوند کلیه در حال رشد است و عملکرد بسیار مناسبی نسبت به روش های آماری دارد. بااین حال، نیاز به انجام مطالعات بیشتری با رویکرد استفاده از الگوریتم های جعبه سفید و بهینه سازی پارامترهای الگوریتم در این حوزه وجود دارد.

Authors

سید احمد موسوی نسب

PhD Student in Computer Engineering, Department of Computer Engineering, Maybod Branch, Islamic Azad University, Maybod, Iran

امین گلاب پور

Assistant Professor of Medical Informatics, Department of Health Information Technology, School of Allied Medical Sciences, Shahroud University of Medical Sciences, Shahroud, Iran

کمال میرزائی

Assistant Professor of Computer Engineering, Department of Computer Engineering, Maybod Branch, Islamic Azad University, Maybod, Iran

احمد خسروی

Associate Professor of Epidemiology, Department of Epidemiology School of Public Health, Shahroud University of Medical Sciences, Shahroud, Iran

مهین قربان صباغ

Associate Professor of Nephrology, Department of Internal Medicine, School of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran