بهبود اجرای سیستم های پشتیبانی تصمیم بالینی
چکیده
سیستم های پشتیبانی تصمیم بالینی (CDS) متعهد به بهبود کیفیت مراقبت درمانی با کمک به پزشکان در گرفتن تصمیمات بهتر و آگاهانه تر است. اما طراحی و آزمایش سیستم های CDS برای کاربرد پزشکی عملی سخت است. مشخص شده است که این کار مشکل عدم تطبیق بین ایده پردازان سیستم و الزامات فعالیت بالینی ایجاد می کند. در این مقاله، ما رویکردی برای کاهش پیچیدگی ساخت سیستم CDS پیشنهاد می کنیم. این رویکرد مبتنی بر حاشیه نویسی هستی شناختی منابع داده است که استانداردسازی و پردازش معنایی داده را بهتر می کند. این کار استفاده از ابزار داده کاوری برای ایجاد خودکار فرضیات در مدل های CDS را ممکن می کند که بار کاری دستی در ایجاد مدل جدید را کاهش می دهد. این رویکرد در زمینه پروژه p-medicine تحقیقی EU اجرا می شود. اثبات اجرای مفهوم در داده از مطالعه لوسمی موجود ارائه می شود.
1. مقدمه
دانش پزشکی با سرعتی غیرمنتظره در حال رشد است. مدارک جدیدی پیدا می شوند و به تدریج وارد مراقبت درمانی می شوند، دارو و درمان های جدیدی معرفی می شوند، و راهنماهای مبتنی بر مدرک در حال ایجاد و توسعه هستند.
سیستم های تصمیم بالینی (CDS) متعهد به بهبود کیفیت مراقبت درمانی با کمک به پزشکان برای دسترسی موثر و کاربرد همه دانش بالینی مرتبط است تا تصمیمات بهتری بگیرند که با آخرین پیشرفت ها در حالت فعلی مراقبت سازگار هستند. سیستم پشتیبانی تصمیم بالینی نقش کمک به کاربران بالینی در ارزیابی وضعیت بیماری بیمار، تشخیص، انتخاب درمان مناسب یا گرفتن تصمیمات بالینی مرتبط دیگر برای مورد بیمار دارد.
Abstract
Clinical decision support (CDS) systems promise to improve the quality of clinical care by helping physicians to make better, more informed decisions efficiently. However, the design and testing of CDS systems for practical medical use is cumbersome. It has been recognized that this may easily lead to a problematic mismatch between the developers' idea of the system and requirements from clinical practice. In this paper, we will present an approach to reduce the complexity of constructing a CDS system. The approach is based on an ontological annotation of data resources, which improves standardization and the semantic processing of data. This, in turn, allows to use data mining tools to automatically create hypotheses for CDS models, which reduces the manual workload in the creation of a new model. The approach is implemented in the context of EU research project p-medicine. A proof of concept implementation on data from an existing Leukemia study is presented.
I. INTRODUCTION
Medical knowledge is growing at an unprecedented rate. New evidence is found and gradually brought into clinical care, new medication and treatments are introduced, and evidence-based guidelines are evolving and expanding.
Clinical decision support (CDS) systems promise to improve the quality of clinical care by helping the physicians to efficiently access and apply all the relevant clinical knowledge in order to make better decisions that are consistent with the latest developments in the medical state of the art. A clinical decision support system has the role to assists the clinical users in assessing the disease status of a patient, in making a diagnosis, in selecting a suitable treatment or in making other clinical decisions relevant for a patient case.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
1. مقدمه
2. پیش زمینه و طرح
الف. پیش زمینه
ب. ارزیابی مدل های CDS
پ. مطالعه لوسمی ALL-BFM
3. حاشیه نویسی داده
4. سیستم های پشتیبانی تصمیم بالینی
5. داده کاوی برای ساخت مدل های CDS
6. نتیجه گیری
Abstract
I. INTRODUCTION
II. BACKGROUND AND SCENARIO
A. Background
B. Evaluation of CDS Models
C. The ALL-BFM Leukemia Study
III. DATA ANNOTATION
IV. CLINICAL DECISION SUPPORT SYSTEMS
V. DATA MINING TO CONSTRUCT CDS MODELS
VI. CONCLUSIONS
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه