عنوان مقاله :
نقش شبكه هاي عصبي مصنوعي در مدلسازي وروديهاي پرونده الكترونيك پزشكي
عنوان به زبان ديگر :
Neural Network role in modeling the input requirement for electronic medical record
پديد آورندگان :
زندش، زهرا دانشگاه علوم پزشكي تهران
كليدواژه :
پرونده الكترونيك پزشكي , شبكه عصبي مصنوعي , خلاصه پرونده الكترونيك
چكيده فارسي :
رويكرد اين مقاله در جهت نشان دادن اهميت كاربرد تكنولوژي در پزشكي مي باشد بويژه در اينترفيس هوشمند سيستم هاي
EMR كه در حال حاضر در برخي از مراكز بهداشتي و درماني كشور استراليا مورد استفاده قرار مي گيرد اين مقاله در مورد ،
پيش بيني نيازهاي مدلهاي ورودي داده ها كه مي تواند ورود داده ها را در سيستم هاي online يكپارچه سازد و اينترفيسي
كه توانايي تطبيق اين داده هاي ضروري با محتواي اختصاص يافته را داشته باشد بحث مي كند .هم چنين نشان مي دهد كه چگونه يك شبكه عصبي مصنوعي خود سازمانده SOM كه كوهونن مي باشد مي تواند داده هاي بيمار را خوشه بندي كند.افزايش كارايي و عكس العمل پزشكان در محيط باليني نشان دهنده كارايي اين سيستم نسبت به سيستم هاي
الكترونيكي غيرهوشمند است . تكنيكهاي محاسبات نرم توانايي خوشه بندي ارتباطات پيچيده مابين مشكلات در سوابق بيمار را دارد و مي توانند خود را به مدلهاي احتمالاتي Bayesian نيز نزديك سازند. اين تكنيك در ناحيه عملكردي بسيار مهمي كه همان سيستم EMR
است اعمال مي گردد ، كل اين كار و جانمايه اين كار مي تواند درساير سيستم هاي online وارد كننده داده ها نيزاعمال شود
چكيده لاتين :
This paper presents work that has been conducted towards predicting user input requirements
with view to making an intelligent interface to support data input in the context of an online
electronic medical record system .the paper investigates how an artificial neural network ,the
self organizing feature map (SOM)suggested by kohonen , may cluster patient data .separate
Bayesian probability models (for treatment given diagnoses)are derived for each cluster class
(on SOM with52 output layer nodes ). Clustering are made on the basis of aggregate diagnoses
over all the visits for particular patients considering longitudinal sequences of
n>=2,n>=01,n>=02,and n>=51 visits.
Clusterings produced from the longest visit sequence (n>=51) are found to be most useful in
clustering the data .the predictions made from the 52 separate probability models compare
most favorably with predictions made by a single probability model derived from unclustered
Data . clustering based upon shorter visit sequence also makes an improvement to the
predictions made with unclustered data .the improved predictive power is explained by the use
of longitudinal information ie . patient history .the improved power translates into better
prediction of the input requirements and hence user need.
