توسعه و ارزیابی یک سامانه مبتنی بر وبِ پشتیبانی از تصمیمگیری بالینی برای طبقهبندی خطر درد شانه با تلفیق SPADI و یادگیری ماشین
توسعه و ارزیابی یک سامانه مبتنی بر وبِ پشتیبانی از تصمیمگیری بالینی برای طبقهبندی خطر درد شانه با تلفیق SPADI و یادگیری ماشین
سنا اسماعيلي1 سجاد پيراهش2 بهزاد يثربي3
1) دانشجوي كارشناسي مهندسي كامپيوتر گرايش فناوري اطلاعات، دانشگاه آزاد اسلامي واحد تبريز، ايران-
2) استاد گروه مهندسي كامپيوتر، دانشگاه آزاد اسلامي واحد تبريز، ايران-
3) استاد گروه مهندسي پزشكي، دانشگاه آزاد اسلامي واحد تبريز، ايران-
کد IOI مقاله
:
AAHD-ABHBDK
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
درد شانه از شایعترین اختلالات اسکلتی-عضلانی است و اغلب با محدودیتهای عملکردی، کاهش کیفیت زندگی و افزایش استفاده از مراقبتهای بهداشتی همراه است. ارزیابی زودهنگام شدت علائم و مداخله به موقع برای جلوگیری از پیشرفت به ناتوانی مزمن ضروری است. با این حال، دسترسی به ابزارهای ارزیابی استاندارد و قابل دسترس در بسیاری از مراکز مراقبتهای بهداشتی محدود است. پیشرفتها در سلامت دیجیتال و یادگیری ماشینی فرصتهای جدیدی را برای توسعه سیستمهای هوشمند پشتیبانی تصمیمگیری بالینی فراهم میکند که ارزیابی اولیه و برنامهریزی مراقبت شخصی را تسهیل میکنند.
این مطالعه، توسعه و ارزیابی یک سیستم پشتیبانی تصمیمگیری بالینی مبتنی بر وب (CDSS) را برای طبقهبندی خطر درد شانه و توصیههای مدیریتی ارائه میدهد. چارچوب پیشنهادی بر اساس یک نسخه اقتباس شده از پرسشنامه معتبر شاخص درد و ناتوانی شانه (SPADI) است و استدلال بالینی مبتنی بر قانون را با یک مؤلفه رگرسیون لجستیک اولیه قابل توضیح ترکیب میکند تا ادغام یادگیری ماشینی را در چارچوب پشتیبانی تصمیمگیری نشان دهد. این سیستم نمرات درد و ناتوانی SPADI، عوامل خطر پزشکی انتخاب شده و اطلاعات طولی بیمار را برای طبقهبندی افراد به دستههای کمخطر، متوسط و پرخطر ادغام میکند و در عین حال توصیههای مدیریتی شخصیسازی شده تولید میکند.
این سیستم، نمرات درد و ناتوانی SPADI، عوامل خطر پزشکی انتخاب شده و اطلاعات طولی بیمار را برای طبقهبندی افراد به دستههای کمخطر، متوسط و پرخطر ادغام میکند و در عین حال توصیههای مدیریتی شخصیسازی شده ارائه میدهد. این پلتفرم با استفاده از یک معماری وب واکنشگرا پیادهسازی شد تا از ارزیابی بلادرنگ، نظارت طولی و دسترسی در دستگاههای متعدد پشتیبانی کند. برای افزایش شفافیت و تفسیرپذیری، مؤلفه یادگیری ماشین، پیشبینیهای مبتنی بر احتمال و اطلاعات توضیحی در سطح ویژگی را ارائه میدهد که عوامل مؤثر در هر طبقهبندی ریسک را برجسته میکند. ارزیابی فنی اولیه مؤلفه یادگیری ماشین با استفاده از دادههای ارزیابی تولید شده مصنوعی و معیارهای طبقهبندی استاندارد، از جمله دقت، صحت، یادآوری و امتیاز F1 انجام شد.
پیادهسازی سیستم و آزمایش عملکردی، پردازش پرسشنامه، محاسبه خودکار امتیاز، پیشبینی ریسک، تولید توصیه و ردیابی پیشرفت بیمار را با موفقیت نشان داد. نتایج نشان میدهد که چارچوب پیشنهادی میتواند به عنوان یک راهحل سلامت دیجیتال مقیاسپذیر و کمهزینه برای ارزیابی اولیه درد شانه در عین حفظ شفافیت، تفسیرپذیری و قابلیت استفاده بالینی عمل کند.
این کار به ادغام یادگیری ماشین قابل توضیح و فناوریهای وب در مراقبتهای بهداشتی اسکلتی-عضلانی کمک میکند و پایهای برای سیستمهای پشتیبانی تصمیمگیری بالینی معتبر آینده برای ارزیابی و مدیریت درد شانه فراهم میکند.
کلمات کلیدی : سیستم پشتیبانی تصمیمگیری بالینی یادگیری ماشین رگرسیون لجستیک سلامت دیجیتال طبقهبندی خطر spadi درد شانه