مقالات در انتظار انتشار 1404
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
Research code: --
محسن ابراهیمی 
، مریم ضیایی ، لهراسب طاهری ، سمانه عبیری ، رضا اخوان ، امیر حسین پورداوود ، علی رواقی ، منصور دیلمی
، مریم ضیایی ، لهراسب طاهری ، سمانه عبیری ، رضا اخوان ، امیر حسین پورداوود ، علی رواقی ، منصور دیلمی
دانشگاه علوم پزشکی خرسان شمالی، بجنورد، ایران
چکیده: (5 مشاهده)
مقدمه: طبقهبندی آسیب کبدی 2020 انجمن جهانی جراحی اورژانس (World Society of Emergency Surgery – WSES) یکی از آخرین گایدلاین هایی است که شدت آسیب آناتومیکی را با وضعیت همودینامیک ترکیب میکند که در این مطالعه عملکرد آن نسبت به روشهای مدرن یادگیری ماشین مقایسه می شود. برای درک متغیر های پر اهمیت، از روش SHapley Additive exPlanations استفاده شد.
روش کار: این مطالعه ثانویه داده های مطالعه ای گذشته نگر می باشد. هشت الگوریتم یادگیری ماشین نظارتشده شامل XGBoost، LightGBM، CatBoost، Random Forest و Logistic Regression آموزش داده شدند تا هر پیامد را پیشبینی کنند و عملکرد آنها با قانون WSES با استفاده از AUC-ROC مقایسه شد.
نتایج: مدلهای ML برای پیشبینی نیاز به جراحی (CatBoost AUC 0.833 در مقابل 0.573، Δ +0.260، p < 0.001) عوارض کبدی (Logistic Regression AUC 0.722 در مقابل 0.549، Δ +0.173، p = 0.012) عوارض جدی (CatBoost AUC 0.809 در مقابل 0.622، Δ +0.187، p < 0.001) و آنژوامبولیزاسیون/لاپاراتومی مجدد (LightGBM AUC 0.833 در مقابل 0.598، Δ +0.235، p < 0.001) عملکرد بهتری داشتند.
نتیجهگیری: طبقهبندی آسیب کبدی WSES 2020به خوبی مرگ و میر در بیمارستان را پیش بینی می کند اما نسبت به مدلهای ML در پیشبینی نیاز به جراحی و عوارض، عملکرد ضعیفتری دارد.
روش کار: این مطالعه ثانویه داده های مطالعه ای گذشته نگر می باشد. هشت الگوریتم یادگیری ماشین نظارتشده شامل XGBoost، LightGBM، CatBoost، Random Forest و Logistic Regression آموزش داده شدند تا هر پیامد را پیشبینی کنند و عملکرد آنها با قانون WSES با استفاده از AUC-ROC مقایسه شد.
نتایج: مدلهای ML برای پیشبینی نیاز به جراحی (CatBoost AUC 0.833 در مقابل 0.573، Δ +0.260، p < 0.001) عوارض کبدی (Logistic Regression AUC 0.722 در مقابل 0.549، Δ +0.173، p = 0.012) عوارض جدی (CatBoost AUC 0.809 در مقابل 0.622، Δ +0.187، p < 0.001) و آنژوامبولیزاسیون/لاپاراتومی مجدد (LightGBM AUC 0.833 در مقابل 0.598، Δ +0.235، p < 0.001) عملکرد بهتری داشتند.
نتیجهگیری: طبقهبندی آسیب کبدی WSES 2020به خوبی مرگ و میر در بیمارستان را پیش بینی می کند اما نسبت به مدلهای ML در پیشبینی نیاز به جراحی و عوارض، عملکرد ضعیفتری دارد.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
کلیه حقوق این وب سایت متعلق به راهبردهای توسعه در آموزش پزشکی می باشد.
طراحی و برنامه نویسی : یکتاوب افزار شرق
© 2026 CC BY-NC 4.0 | Development Strategies in Medical Education
Designed & Developed by : Yektaweb
