تجزیه و تحلیل داده‌های پرونده الکترونیک سلامت (EHR) با استفاده از AI

AI methods for analyzing EHR data

چکیده مقاله

آنچه در این مقاله خواهید خواند:
با ادامه رشد تصاعدی داده‌های پرونده الکترونیک سلامت در دنیای واقعی (EHR)، روش‌های جدیدی که مبتنی بر هوش مصنوعی (AI) هستند، به طور فزاینده‌ای برای فعال کردن یادگیری کارآمد مبتنی بر داده‌ها و در نهایت برای پیشبرد مراقبت‌های بهداشتی، به کار گرفته می‌شوند.

در اینجا رویکردهای تحقیقاتی متنوع و رو به رشد هوش مصنوعی در علم داده‌های مراقبت‌های بهداشتی را توصیف می‌کند و آن‌ها را به ۲ پارادایم مجزا، پارادایم‌های bottom-up و top-down دسته‌بندی می‌کند تا به دانشمندان علوم بهداشتی در درک روش‌های محاسباتی در حال تکامل کمک کند و آن ها را در تصمیم‌گیری در مورد روش‌های واقعی یا استفاده از داده‌های سلامتی را یاری دهد. البته باید ذکر کنیم که چالش های نظارتی در استفاده از هوش مصنوعی در مراقبت های بهداشتی نیز وجود دارد.

 

پیش بینی رشد داده های پرونده الکترونیک سلامت (EHR)

داده های EHR نوعی از داده های دنیای واقعی هستند که به ویژه با جزئیات جامع بالینی در سطح بیمار غنی شده اند. از زمان پذیرش سیستم‌های EHR در سراسر جهان، داده‌های EHR به منبعی در دنیای واقعی با رشد سریع، فراوان و فراگیر برای مطالعه مداوم سلامت بیمار و سیستم‌های مراقبت بهداشتی تبدیل شده‌اند. داده‌های EHR شامل روش‌های مختلفی از جمله داده‌های بدون ساختار (به عنوان مثال، تصویر، متن و ویدیو) و داده‌های ساختاریافته هستند.

پیش‌بینی می‌شود که داده‌های دنیای واقعی EHR نقش مهمی در پیشرفت مراقبت‌های بهداشتی در توسعه دارو، تصمیم‌گیری نظارتی و مراقبت‌های بالینی ایفا کنند. از آنجایی که میزان داده های EHR به طور تصاعدی در حال رشد است، تقاضا برای روش های محاسباتی پیشرفته هوش مصنوعی برای کمک به کشف روابط پیچیده بین وضعیت سلامت بیمار، بیماری ها، و همچنین مداخلات و پاسخ های پزشکی افزایش می یابد. در دهه گذشته، هجوم استفاده از روش‌های محاسباتی هوش مصنوعی به داده‌های EHR منجر به موفقیت‌هایی در تأثیرگذاری بر مراقبت بالینی و بهبود نتایج بیمار شده است.

خلاصه ای از مقاله Bottom-up and top-down paradigms of artificial intelligence research approaches to healthcare data science using growing real-world big data

 

  1. این مقاله مفاهیم machine learning، الگوریتم‌های کلاسیک machine learning، شبکه‌های عصبی یادگیری عمیق deep learning و تکنیک‌هایی برای داده‌های کم منبع را معرفی می‌کند. روش‌های محاسباتی هوش مصنوعی به پارادایم‌های top-down و bottom-up دسته‌بندی می‌شوند که هر کدام کاربردها و محدودیت‌های خود را دارند. این مقاله همچنین یک ابزار تصمیم‌گیری را برای دانشمندان علوم بهداشتی پیشنهاد می‌کند تا روش‌های محاسباتی مناسب برای تحقیقات خود را شناسایی کنند.
  2. پیرامون  الگوریتم‌های کلاسیک یادگیری ماشین و شبکه‌های عصبی مصنوعی بحث می‌کند و تفاوت‌ها و کاربردهای بالقوه آنها را در مراقبت‌های بهداشتی برجسته می‌کند.
  3. این مقاله روش‌های محاسباتی هوش مصنوعی را به پارادایم‌های top-down و bottom-up دسته‌بندی می‌کند. رویکرد top-down از مقادیر زیادی داده برای ایجاد یک ابزار همه منظوره استفاده می کند، در حالی که رویکرد bottom-up از زیر مجموعه ای از داده های EHR برای آموزش یک الگوریتم تخصصی استفاده می کند.
  4. نویسندگان یک ابزار تصمیم‌گیری را برای کمک به دانشمندان علوم سلامت در شناسایی روش‌های محاسباتی مناسب برای تحقیقات خود پیشنهاد می‌کنند.

 

به طور کلی این مقاله مروری جامع بر روش‌های محاسباتی هوش مصنوعی در مراقبت‌های بهداشتی ارائه می‌کند و راهنمایی‌های عملی را برای دانشمندان علوم بهداشتی که علاقه‌مند به استفاده از این روش‌ها در تحقیقات خود هستند، ارائه می‌دهد.

 

منبع

 

مجله مارکوپکس

آخرین مقاله‌ها

یکپارچه سازی RIS-PACS
مجله مارکوپکس

یکپارچه سازی RIS/PACS

یکپارچه سازی RIS/PACS RIS و PACS هر کدام نقش‌ جداگانه‌ای در اکوسیستم درمان ایفا می کنند، اما یکپارچه سازی این دو سیستم و ترکیب قابلیت

سیستم اطلاعات رادیولوژی
مجله مارکوپکس

سیستم اطلاعات رادیولوژی : مدیریت گردش کار

سیستم اطلاعات رادیولوژی : مدیریت گردش کار تصویربرداری از اهمیت بسیاری در خدمات درمانی برخوردار است، و در تشخیص و درمان اکثر موارد پزشکی کمک

تازه‌های مارکوپکس

به دنبال مطلب خاصی هستید؟