Iranian Journal of Health Insurance

other ارائه یک مدل یادگیری عمیق ترکیبی برای تشخیص افتراقی بیماری آلزایمر و دمانس فرونتوتمپورال: ظرفیت بالقوه برای مدیریت هزینه‌های تشخیصی در سازمان‌های بیمه‌گر پایه A Hybrid Deep Learning Model for the Differential Diagnosis of Alzheimer's Disease and Frontotemporal Dementia: Implications for Diagnostic Cost Management in Basic Health Insurance Organizations تخصصي Special پژوهشي Research <div style="text-align: justify;">مقدمه: تشخیص افتراقی <a name="_Hlk238860177">بیماری آلزایمر</a> و دمانس فرونتوتمپورال بهدلیل همپوشانی تظاهرات بالینی و نیاز به تصویربرداری و آزمایش‌های پرهزینه، از چالش‌های سازمان‌های بیمه‌گر میباشد. تشخیص زودهنگام به شناسایی بیماری در مراحل اولیه اطلاق می‌شود درحالیکه تشخیص افتراقی بر تمایز میان بیماری‌های دارای تظاهرات مشابه میپردازد که هدف اصلی این مطالعه است. بر اساس World Alzheimer Report ۲۰۲۱، هزینه تشخیص دمانس حسب نوع و میزان ارزیابی‌های تخصصی می‌تواند افزایش یابد. برای نمونه، در کبک کانادا، هزینه تشخیص دمانس در سال ۲۰۲۱ از ۱۶۰ تا ۴۰۵۸ دلار برای ارزیابی شامل MRI، بررسی مایع مغزی‌نخاعی و PET متغیر بوده که اهمیت توسعه روش‌های دردسترس و کم‌هزینه‌تر را نشان میدهد.  روش بررسی: در این مطالعه از مجموعه داده تیم مغز و اعصاب بیمارستان آهپا تسالونیکی شامل ۳۶ فرد مبتلا به آلزایمر، ۲۳ فرد مبتلا به دمانس فرونتوتمپورال و ۲۹ فرد سالم استفاده شد. ویژگی‌های سیگنال EEG با استفاده از معماری Network in Network  استخراج و با ویژگیهای بالینی ادغام و رده بندی شدند. عملکرد مدل با اعتبارسنجی متقابل ۱۰بخشی ارزیابی گردید. یافته ها: مدل توانست بیماران مبتلا به آلزایمر، دمانس فرونتوتمپورال و سالم را با دقت ۱۲/۷۸% تفکیک کند. نتیجه‌گیری: مدل پیشنهادی در مقایسه با برخی مطالعات پیشین مبتنی بر شبکه‌های یادگیری عمیق سه‌کلاسه End to End، با دقت‌ کمتر از ۷۰% و در برخی موارد ۵۴%، عملکرد بهتری داشت. یافته ها نشان می دهد یادگیری عمیق ترکیبی می‌تواند به‌عنوان ابزار تصمیم‌یار بالینی در کنار ارزیابی‌های بالینی، به تشخیص افتراقی و استفاده هدفمندتر از روش‌های تشخیصی تخصصی و پرهزینه در سازمان‌های بیمه‌گر پایه کمک کند.</div> <div style="text-align: justify;">Introduction: Differential diagnosis of Alzheimer’s disease and frontotemporal dementia remains a challenge for insurance organizations due to overlapping clinical manifestations, costly imaging and laboratory examinations. Early diagnosis refers to identifying disease at its initial stages, whereas differential diagnosis focuses on distinguishing diseases with similar clinical manifestations, which is the objective of this study. According to the World Alzheimer Report 2021, cost of dementia diagnosis depending on the type and extent of specialized assessments may be increase. For example, in Quebec, Canada, the cost of dementia diagnosis in 2021 ranged from 160 to 4,058$ for assessments involving MRI, cerebrospinal fluid analysis, and PET, highlighting the importance of developing more accessible and cost-effective diagnostic approaches. Methods: A dataset from the neurology team of AHEPA University Hospital in Thessaloniki, comprising 36 individuals with Alzheimer’s disease, 23 with frontotemporal dementia, and 29 healthy individuals, was used. EEG signal features were extracted using the Network in Network architecture and integrated with clinical features for classification. Model performance was evaluated using 10-fold cross-validation. Results: The model differentiated Alzheimer’s disease, frontotemporal dementia, and healthy individuals with an accuracy of 78.12%. Conclusion: Compared with some previous studies based on three-class End-to-End deep learning networks, which reported accuracies below 70% and, in some cases, as low as 54%, the model demonstrated superior performance. findings indicate that hybrid deep learning can serve as a clinical decision-support tool alongside clinical assessments to facilitate differential diagnosis and enable more targeted use of specialized and costly diagnostic methods in basic insurance organizations.  </div> آلزایمر, دمانس فرونتوتمپورال, یادگیری عمیق, مدیریت هزینه‌, سازمان‌های بیمه‌گر Alzheimer's disease, Frontotemporal dementia, Deep learning, Cost management, health insurance organizations 0 0 http://journal.ihio.gov.ir/browse.php?a_code=A-10-2414-2&slc_lang=other&sid=1 sahar keshavarz سحر کشاورز keshavarz.sahar.1@gmail.com 10031947532846007347 0009-0003-7569-975X No , Department of Biomedical Engineering, SR.C., Islamic Azad University, Tehran, Iran گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران Ali Sheikhani علی شیخانی a-sheikhani@srbiau.ac.ir 10031947532846007348 10031947532846007348 Yes , Department of Biomedical Engineering, SR.C., Islamic Azad University, Tehran, Iran گروه علمی مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران Abdalhossein Rezai عبدالحسین رضائی rezai@usc.ac.ir 10031947532846007349 10031947532846007349 No , Department of Biomedical Engineering, SR.C., Islamic Azad University, Tehran, Iran گروه علمی مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه علم و فرهنگ، تهران، ایران Nader Jafarnia dabanloo نادر جعفرنیا دایانلو 10031947532846007350 10031947532846007350 No , Department of Biomedical Engineering, SR.C., Islamic Azad University, Tehran, Iran گروه علمی مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران