پیش‌بینی نمره تداخل دارویی نسخه‌ها با شبکه عصبی

پیش‌بینی نمره تداخل دارویی نسخه‌ها با شبکه عصبی

پروانه احمدی1 سید رشید خایفه سلطانی2

1) دانش آموخته کارشناسی ارشد مهندسی صنایع،گرایش بهینه سازی سیستم‌ها،دانشکده مهندسی،دانشگاه کردستان،سنندج، ایران ایمیل
2) دانشجوی دکتری مهندسی صنایع گرایش بهینه سازی سیستم‌ها،گروه مهندسی صنایع،دانشکده مهندسی، دانشگاه یزد،یزد، ایران ایمیل

کد IOI مقاله : ABEB-ACZGZA
محل انتشار : چهارمین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com)
چکیده :
    افزایش تنوع داروها، رشد چنددارویی و پیچیدگی درمان‌های پزشکی، ارزیابی تداخلات دارویی را به یکی از مسائل مهم ایمنی بیمار تبدیل کرده است. روش‌های سنتی کنترل تداخل، معمولاً بر بررسی موردی زوج‌های دارویی و تجربه انسانی تکیه دارند و در تحلیل سریع حجم زیاد نسخه‌ها محدود هستند. هدف این پژوهش، طراحی مدل داده‌محور برای پیش‌بینی نمره تداخل دارویی نسخه‌های پزشکی با استفاده از شاخص‌های قابل استخراج از نسخه است. برای این منظور، پس از پالایش داده‌ها، ۹۶۰۹۳ نسخه پزشکی تحلیل شد. ویژگی‌هایی شامل جنسیت، گروه سنی بیمار، تخصص پزشک، تنوع دارویی و گروه دارویی استخراج و استانداردسازی گردید. سپس پایگاه تداخلات دارویی برای ۵۰۰ داروی ژنریک و ترکیب‌های دوتایی آن‌ها تشکیل شد. شدت تداخل‌ها به شاخص کمی تبدیل شد؛ به‌گونه‌ای که تداخل ناشناخته، ضعیف، متوسط و شدید به‌ترتیب ضرایب صفر، ۱، 2/5 و ۵ گرفتند و نمره هر نسخه محاسبه و نرمال‌سازی شد. در ادامه، یک شبکه عصبی مصنوعی با ۵۰ ویژگی ورودی، یک لایه پنهان ۶۴ نورونی، تابع فعال‌سازی ReLU و الگوریتم Adam آموزش داده شد. نتایج نشان داد مدل پیشنهادی در داده‌های آزمون به ضریب تعیین 0/9995 و در داده‌های اعتبارسنجی به ضریب تعیین 0/9994 دست یافت. این یافته‌ها نشان می‌دهد شاخص‌های نسخه‌محور می‌توانند مبنای مناسبی برای سامانه‌های هشداردهنده و پشتیبان تصمیم در نسخه‌نویسی هوشمند باشند.

کلمات کلیدی : تداخل دارویی نسخه‌نویسی هوشمند شبکه عصبی مصنوعی داده‌کاوی سلامت ایمنی بیمار پشتیبان تصمیم