مدلسازی احتمالاتی بیماری

مدلسازی احتمالاتی بیماری

الهه دورانی1 زهرا نریمانی2 هولگر فرولیش3

1) دانشجوی کارشناسی ارشد علوم کامپیوتر گرایش سیستم های هوشمند، دانشگاه تحصیلات تکمیلی علوم پایه زنجان، ایران
2) استاد، دانشگاه تحصیلات تکمیلی علوم پایه زنجان، ایران
3) استاد، دانشگاه بن، آلمان

کد IOI مقاله : XCBD-FZDHG
محل انتشار : دومین همایش ملی ریاضیات زیستی (biomathtabrizu.ir)
چکیده :
    یکی از مسائل مهمی که امروزه در حوزۀ سلامت هوش مصنوعی بر آن اثر گذاشته است، مدل‌سازی بیماریهاست. دستۀ مهمی از بیماری‌ها، مانند بیماری‌های مزمن، شخص را برای مدت طولانی‌تری تحت تاثیر قرار میدهند. این بیماری‌ها، مانند آلزایمر، پارکینسون و سرطان از یک نقطۀ ابتدایی و خفیف آغاز شده و طی زمانی نسبتاً طولانی پیشرفت می‌کنند. شناخت فرآیند پیشرفت این بیماری‌ها با توجه به ویژگی‌های بیمار (از جمله ویژگی‌های ژنتیکی، داده‌های بالینی و اطلاعات جمع‌آوری شده از ویزیت‌های بیمار) از اهمیت بسیاری برخوردار است و به متخصصان کمک می‌کند که ارتباط بین ویژگی‌های بیماران و نحوۀ پیشرفت بیماری در آنها را کشف و به این ترتیب روند پیشرفت بیماری را مدل‌سازی کنند. در پزشکی شخصی‌سازی شده، بیماران با توجه به ویژگی‌های خاص آنها مورد درمان قرار می‌گیرند. همچنین طراحی دارو که یکی از فرآیندهای پرهزینه در صنعت داروسازی محسوب می‌شود نیز می‌تواند بر اساس تغییرات این ویژگی‌ها و مدل پیشرفت بیماری در آنها، انجام شود. میزان پیشرفت بیماری در هر نوع بیماری با یک ویژگی استاندارد تخمین زده می‌شود. مدل‌سازی پیشرفت بیماری، با استفاده از تکنیک های یادگیری ماشین، مفاهیم ریاضیاتی و آمار و احتمال انجام می‌شود که عبارت است از پیش‌بینی میزان و نحوۀ تغییر متغیرهای مربوط به پیشرفت بیماری با استفاده از سایر ویژگی‌های بیمار. در این گونه مدل‌سازی‌ها، هدف این است که متغیر پیشرفت بیماری، با داشتن سایر متغیرها توصیف شود و در نتیجه با استفاده از آن بتوان وضعیت کنونی بیمار و همچنین وضعیت‌ بیمار در مراحل زمانی بعدی را پیش‌بینی نمود. وجود داده‌های گمشده و همچنین عدم آگاهی از ویژگی ها موثر در پیش بینی روند مدلسازی پیشرفت بیماری از جمله چالش‌های این مسئله است که در این پژوهش به آن پرداخته شده است. به منظور ارزیابی مدل، در این پژوهش از دو مجموعه دادۀ TADPOLE برای بیماران آلزایمری استفاده شده است. در این مدل، ما از احتمال پیشین خلوت به عنوان روشی خودکار برای انتخاب ویژگی در روش های احتمالاتی استفاده کرده‌ایم. بنابر نتایج بدست آمده، این مدل نسبت به مدل مرجع انتخاب در پیش بینی متغیر های هدف Ventricles ، hippocampus، ADAS13 و CDRSB دقت بالاتری داشته است. ولی الگوریتم‌ها جنگل‌های تصادفی و رگرسیون متغییرهای مختلط از مدل‌های احتمالاتی ارائه شده و مدل مرجع دقیق تر بودند.

کلمات کلیدی : مدل سازی پیشرفت بیماری مدل‌سازی بیزینی استنباط بیزی تغییراتی احتمال ویشین خلوت انتخاب ویژگی‌ بیزینی