دانلود مقاله ISI انگلیسی شماره 159991 + ترجمه فارسی
ترجمه فارسی عنوان مقاله

تشخیص ناهنجاری در داده‌های بالینی بیمارانی که عمل جراحی قلب کرده‌اند

عنوان انگلیسی
Anomaly Detection in Clinical Data of Patients Undergoing Heart Surgery
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
159991 2017 10 صفحه PDF 18 صفحه WORD
دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
تولید محتوا برای سایت شما
پایگاه ISIArticles آمادگی دارد با همکاری مجموعه «شهر محتوا» با بهره گیری از منابع معتبر علمی، برای کتاب، سایت، وبلاگ، نشریه و سایر رسانه های شما، به زبان فارسی «تولید محتوا» نماید.
  • تولید محتوا با مقالات ISI برای سایت یا وبلاگ شما
  • تولید محتوا با مقالات ISI برای کتاب شما
  • تولید محتوا با مقالات ISI برای نشریه یا رسانه شما
  • و...

پیشنهاد می کنیم کیفیت محتوای سایت خود را با استفاده از منابع علمی، افزایش دهید.

سفارش تولید محتوا کد تخفیف 10 درصدی: isiArticles
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Procedia Computer Science, Volume 108, 2017, Pages 99-108

فهرست مطالب ترجمه فارسی
چکیده


کلمات کلیدی


1.مقدمه


2. تحلیل و تهیه داده‌ها


1.2 تهیه داده‌ها 


3. شاخص‌های سنجه و مدل‌محور


3.1آزمون کشف برای شاخص‌های سنجه و مدل محور


3.2ارزیابی شاخص‌های سنجه و مدل محور 


4. روش غافلگیری اطلاعات 


4.1آزمون کشف برای غافلگیری اطلاعات 


5. نتایج و بحث


1.5. کشف نابهنجاری با شاخص‌های سنجه و مدل‌محور


2.5 غافلگیری اطلاعاتی به عنوان شاخصی برای فوت بیمار


3.5 مقایسه با رویکرد فاصله اقلیدسی ساده


6. نتیجه‌گیری 
ترجمه کلمات کلیدی
تشخیص آنومالی، تعجب اطلاعات، سیگنال هشدار اولیه، تجزیه و تحلیل سری زمان،
کلمات کلیدی انگلیسی
Anomaly Detection; Information Surprise; Early Warning Signal; Time series Analysis;
ترجمه چکیده
دو رویکرد را برای تشخیص ناهنجاری‌ها در سری زمانی از داده های بالینی چند پارامتری شرح می‌دهیم: (1) شاخص‌های سنجه و مدل محور و (2) غافلگیری اطلاعاتی. (1) شاخص های سنجه و مدل محور معمولاً به عنوان سیگنال های هشدار دهنده زودهنگام برای تشخیص گذار بین حالت‌های متناوب براساس سری‌های زمانی مستقل استفاده می‌شوند. در اینجا، کاربردپذیری شاخص‌های موجود را برای تمایز شرایط بحرانی (ناهنجاری) از غیر بحرانی در بیمارانی بررسی می‌کنیم که عمل جراحی قلب داشته‌اند، این کار بر اساس مجموعه داده کوچک کارآزمایی بالینی ناشناس انجام می‌شود. متوجه شدیم ترکیبی از مدل اتورگرسیو متغیر با زمان، شاخص‌های کشیدگی و چولگی به طور صحیح بیماران بالینی را از غیربالینی با توجه به 5 از 36 پارامتر خونی در اندازه پنجره 0.3 (به طور متوسط 37 ساعت) یا بیشتر جدا کردند. (2) غافلگیری اطلاعاتی نشان می‌دهد که چگونه پیشرفت وضعیت بیمار با وضعیت بقیه افراد بر اساس سطح مقطع سری زمانی متفاوت است. با حداکثر غافلگیری و ویژگی‌های شیب، همه بیماران بحرانی را در سطح معنی‌داری 0.05 تشخیص می‌دهیم. علاوه بر این، نشان می‌دهیم که تشخیص پرتِ ساده به کار نمی‌آید، یعنی به رویکردهای پیچیده‌تری نیاز است که در اینجا بررسی می‌شود. نتایج اولیه‌مان نشان می‌دهد که تحولات آینده در سیستم‌های هشدار زودهنگام برای نظارت بر وضعیت بیمار ممکن است وقوع گذار بحرانی را پیش‌بینی کند، به این ترتیب پزشک اجازه مداخله می‌یابد و از مرگ بیمار پیشگیری می‌شود. به توسعه بیشتر روش برای جلوگیری از اضافه کاری و نتایج جنجالی و تأیید در مجموعه داده‌های بالینی بزرگ نیاز است.
ترجمه مقدمه
تشخیص ناهنجاری فرایند تعیین و تفکیک افرادی در جامعه است که انحراف رفتار از هنجار دارند. این مطالب به صورت «ناهنجاری» یا «فعالیت‌های پرت» نامیده می‌شوند. کشف ناهنجاری کاربرد گسترده‌ای در کشف کارت‌های اعتباری تقلبی [1]، امنیت سایبری [2، 3]، بیمه سلامت [4] و پایش بیمار با استفاده از سیگنال‌های قلب‌نگاری برقی (ECG) [5] دارد. برای نمونه، فناوری‌ها در کشف ناهنجاری، به خصوص برای کاربردهای پزشکی، برای برآورد شرایط یا وضعیت فیزیکی بیماران از سالم تا فوتی ضروری هستند. اغلب اوقات، وقتی ناهنجاری رخ می‌دهد، تغییرات قابل ملاحظه‌ای در الگوهای سری زمانی هویدا می‌شود. این ناهنجاری‌ها (شرایط حیاتی) طراحی شده توسط تغییرهای الگویی می‌تواند به عنوان شاخص‌های گذار از وضعیت سلامت به بحرانی عمل کند که منجر به مرگ در بیماران می‌شود. سیستم‌های دینامیکی پیچیده متعدد گذارها یا نقطه نتیجه‌گیری هستند که در آن تغییرناگهانی از یک وضعیت ثابت به دیگری اتفاق می‌افتد. مورد ویژه بیماری را می‌توان تغییرجهت ناگهانی در وضعیت سیستم از سلامت به بیماری تلقی کرد [6, 7]. برای نمونه، شروع افسردگی با نگاهی به نوسان‌های عواطف به عنوان شاخص‌های گذار از نرمال به وضعیت افسردگی بررسی می‌شود [8]. نمونه‌های دیگر شامل سیستم‌های مالی، که برخوردهای بازاری نظام‌مند را نشان می‌دهد [9, 10]، تغییر شرایط قبل از کاهش نوسان‌ها [11–13]، کاهش جمعیت منجر به انقراض [14–16]، نظام‌های هشدار زودهنگام سیل [17–19] و سدها [20] است. سیگنال‌های هشدار زودهنگام (EWS) به عنوان شاخص‌هایی برای حذف تاب‌آوری سیستم قبل از گذارها برطبق ویژگی‌های آماری جزئی‌تر سنجش‌ها استفاده می‌شوند [21]. این مطلب گاهی‌اوقات ممکن است به واسطه تغییرها در همبستگی، انحراف استاندارد، چولگی سری‌ها به واسطه زمان [22] کشف شود. از شاخص‌های استفاده شده در EWS برای تفکیک بیماران بحرانی از غیربحرانی با این فرض استفاده کردیم که بیماران بحرانی تغییرهای الگویی در سری‌های زمانی خود نشان می‌دهند هنگامی که ناهنجاری‌ها یا گذارها از سلامتی به مرگ رخ می‌دهد. از قبل مشخص نکردیم چند بار این گذارها اتفاق می‌افتند. هدف‌مان یکپارچه‌سازی این مطلب در نسخه آتی کارمان است. در اثر حاضر، کاربردپذیری استفاده از چهار EWS کلاسیک را بر سری‌های زمانی تراکم پارامتر خون از 53 بیمار بررسی می‌کنیم که عمل پیچیده جراحی قلب کرده‌اند تا گذارها از مرگ بیمار کشف شود؛ رویکردی که در منابع قبلی اجرا نشد. مهمترین انگیزش استفاده از EWS پتانسیلش برای استفاده بلادرنگ از هشدار زودهنگام افزایش ریسک مرگ بیمار، با هدف نهایی جلوگیری بهتر است.
پیش نمایش مقاله
پیش نمایش مقاله تشخیص ناهنجاری در داده‌های بالینی بیمارانی که عمل جراحی قلب کرده‌اند

چکیده انگلیسی

We describe two approaches to detecting anomalies in time series of multi-parameter clinical data: (1) metric and model-based indicators and (2) information surprise. (1) Metric and model-based indicators are commonly used as early warning signals to detect transitions between alternate states based on individual time series. Here we explore the applicability of existing indicators to distinguish critical (anomalies) from non-critical conditions in patients undergoing cardiac surgery, based on a small anonymized clinical trial dataset. We find that a combination of time-varying autoregressive model, kurtosis, and skewness indicators correctly distinguished critical from non-critical patients in 5 out of 36 blood parameters at a window size of 0.3 (average of 37 hours) or higher. (2) Information surprise quantifies how the progression of one patient’s condition differs from that of rest of the population based on the cross-section of time series. With the maximum surprise and slope features we detect all critical patients at the 0.05 significance level. Moreover we show that a naive outlier detection does not work, demonstrating the need for the more sophisticated approaches explored here. Our preliminary results suggest that future developments in early warning systems for patient condition monitoring may predict the onset of critical transition and allow medical intervention preventing patient death. Further method development is needed to avoid overfitting and spurious results, and verification on large clinical datasets.

دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.