تابستان
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
سحر کشاورز1 
، علی شیخانی*2 ، عبدالحسین رضائی3 ، نادر جعفرنیا دایانلو4
، علی شیخانی*2 ، عبدالحسین رضائی3 ، نادر جعفرنیا دایانلو4
1- گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2- گروه علمی مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران ،a-sheikhani@srbiau.ac.ir
3- گروه علمی مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه علم و فرهنگ، تهران، ایران
4- گروه علمی مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2- گروه علمی مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران ،
3- گروه علمی مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه علم و فرهنگ، تهران، ایران
4- گروه علمی مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
چکیده: (89 مشاهده)
مقدمه: تشخیص افتراقی بیماری آلزایمر 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.
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.
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1405/6/23 | ویرایش نهایی: 1405/6/23 | پذیرش: 1405/6/10
دریافت: 1405/6/23 | ویرایش نهایی: 1405/6/23 | پذیرش: 1405/6/10
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
