خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : مدل پیش بینی بیماری دیابت نوع 2 بر اساس داده کاوی
.
English Article Title: Type 2 diabetes mellitus prediction model based on data mining
Year: 2018
Publisher: ELSEVIER
Journal: Informatics in Medicine Unlocked
DOI: https://doi.org/10.1016/j.imu.2017.12.006

Keywords:
#Hybrid_prediction_model
#Data_mining
#Diabetes_mellitus
#Type_2_diabetes
#diabetes
#diabetes2
#مدل_پیش_بینی_ترکیبی
#داده_کاوی
#بیماری_قند_خون
#دیابت
#دیابت2
#دیابت_نوع_2
#علوم_پزشکی_و_بهداشت (#health)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#حرفه_های_بهداشتی (#health_professions)
#مقاله_پزشکی (#Medical)
#مقاله_پرستاری (#Nursing)
#مقاله_کامپیوتر (#Computer_Science)

چکیده
به دلیل رخداد افزایشی بیماری دیابت، خانواده های بیشتری توسط بیماری دیابت تاثیر می پذیرند. اکثر بیماران دیابتی درباره وضعیت سلامتی خود یا فاکتورهای خطرناکی که قبل از تشخیص با آن ها مواجه می شوند، اطلاعات کمی دارند. در این مطالعه، ما یک مدل جدید را براساس تکنیک های داده کاوی برای پیش بینی کردن بیماری دیابت نوع2 (T2DM) پیشنهاد داده ایم. مشکلات اصلی که سعی در حل آن ها داریم عبارتند از بهبود دادن دقت مدل پیش بینی و مدل را برای بیش از یک مجموعه داده، تطابق دهیم. براساس یک مجموعه از رویه های پردازشی، مدل از دو بخش تشکیل می شود، الگوریتم K-means بهبودیافته و الگوریتم رگرسیون لجستیک. مجموعه داده دیابت Pima Indians و محیط Waikato به عنوان جعبه ابزار تحلیل دانش به منظور مقایسه نتایج تحقیق ما با نتایج تحقیقات دیگر استفاده شدند. نتیجه گیری نشان می دهد که مدل 3.04% دقت پیش بینی بالاتر نسبت به تحقیقات دیگر به دست آورد. به علاوه، مدل ما تضمین می کند که کیفیت مجموعه داده به اندازه کافی است. برای ارزیابی بیشتر کارایی مدل ما، ما آن را بر روی دو مجموعه داده دیابت دیگر اعمال کردیم. نتایج هر دو آزمایش، کارایی خوب را نشان می دهند. در نتیجه، مدل نشان می دهد که برای مدیریت واقعی سلامت در بیماری دیابت مفید است.

کلمات کلیدی: مدل پیش بینی ترکیبی، داده کاوی ، بیماری قند خون

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2qZzZIF

خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : ارزیابی الگوریتم های فیلترینگ دیسپکل برای تقسیم شدن تومورهای سینه با استفاده از تصاویر اولتراسوند
.
English Article Title: Assessment of despeckle filtering algorithms for segmentation of breast tumours from ultrasound images
Year: 2018
Publisher: ELSEVIER
Journal: Biocybernetics and Biomedical Engineering
DOI: https://doi.org/10.1016/j.bbe.2018.10.002

Keywords:
#Breast_ultrasound
#Speckle_noise
#Despeckling
#filters
#Image_quality_metrics
#Edge_preservation
#Segmentation
#اولتراسوند_سینه
#نویز_اسپکل
#فیلترهای_دیسپکل
#الگوریتم‌های_فیلترینگ
#معیارهای_کیفیت_تصویر
#تصاویر_اولتراسوند
#حفظ_کناره (#حفظ_لبه)
#تقسیم_بندی
#علوم_پزشکی_و_بهداشت (#health)
#حرفه_های_بهداشتی (#health_professions)
#مقاله_پزشکی (#Medical)
#مقاله_پرستاری (#Nursing)
#علوم_زیستی_و_کشاورزی (#Life_Sciences)
#مقاله_بیوشیمی
#مقاله_ژنتیک
#مقاله_زیست_مولکولی (#Biochemistry_Genetics_and_Molecular_Biology)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_مهندسی (#Engineering)

چکیده مقاله:
در این مقاله، تصاویر اولتراسوند سینه با الگوریتم های مختلف فیلترینگ دیسپکل برای تجزیه و تحلیل اثر دیسپکل کردن بر تقسیم توده های خوشخیم و بدخیم سینه با استفاده از تصاویر اولتراسوند پیش پردازش می شود. الگوریتم های فیلترینگ دیسپکل به طور کلی به هشت دسته تقسیم می شوند، از جمله فیلترهای مبتنی بر آمار موضعی، فیلترهای فازی، فیلترهای فوریه، فیلترهای چند مقیاسی، فیلترهای تکراری غیر خطی، فیلترهای تنوع کلی، فیلترهای متوسط غیر موضعی و فیلترهای هیبریدی. کلُ 100 تصویر اولتراسوند سینه (40 خوش خیم و 60 بدخیم) با استفاده از 42 الگوریتم فیلتر کردن دیسپکل پردازش شدند. یک فیلتر دیسپکل شده، مناسب در نظر گرفته می شود اگر کناره ها و ویژگی ها / ساختارهای تصویر را حفظ کند. قابليت حفظ کناره ها برای يك فيلتر دیسپکل توسط معیار بتا (β) و قابليت حفظ ویژگی / ساختار با استفاده از شاخص كيفيت تصوير (IQI) اندازه گيري می شود. مشاهده شد که از 42 فیلتر، شش فیلتر به نام های لی سیگما، FI، FB، HFB، BayesShrink و DPAD تصاویر بالینی قابل قبول تری از لحاظ حفظ کناره و ویژگی / ساختار تولید کردند. ارزیابی کیفی این تصاویر بر اساس نمرات ارائه شده توسط رادیولوژیست با تجربه شرکت کننده، انجام شده است. سپس تصاویر پیش پردازش شده به یک ماژول تقسیم بندی برای تقسیم شدن تومورهای خوش خیم یا بدخیم با کمک تصاویر اولتراسوند، وارد شدند. ارزیابی عملکرد الگوریتم تقسیم بندی به صورت کمّی با استفاده از شاخص ژاکارت انجام شده است. نتایج هر دو ارزیابی کمّی و کیفی توسط رادیولوژیست نشان می دهد که الگوریتم فیلترینگ دسپیکل DPAD تصاویر بالینی قابل قبول تری را ارائه می دهد و منجر به تقسیم بهتر تومورهای خوش خیم و بدخیمِ حاصل از تصاویر اوتراسوند می شود.
واژه های کلیدی: اولتراسوند سینه، نویز اسپکل، فیلترهای دیسپکل، معیارهای کیفیت تصویر، حفظ کناره (لبه)، تقسیم بندی

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/36ECuPG

خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : نقش هوش مصنوعی در رادیولوژی تشخیصی: بررسی‌ برنامه آموزشی رزیدنتی رادیولوژی
.
English Article Title: The Role of Artificial Intelligence in Diagnostic Radiology: A Survey at a Single Radiology Residency Training Program
Year: 2018
Publisher: ELSEVIER
Journal: jacr , Journal of the American College of Radiology
DOI: https://doi.org/10.1016/j.jacr.2017.12.021

Keywords:
#Artificial_intelligence
#diagnostic_radiology
#residency_program
#survey
#هوش_مصنوعی
#رادیولوژی_تشخیصی
#رزیدنسی
#رزیدنسی_رادیولوژی
#رادیولوژی
#مطالعه
#علوم_پزشکی_و_بهداشت (#health)
#مقاله_پرستاری (#Nursing)
#مقاله_پزشکی (#Medical)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_علوم_اجتماعی (#Social_Sciences)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)

چکیده مقاله:
هدف: پيش بيني مي شود که پيشرفت‌های هوش مصنوعي در راديولوژي تشخيصی، تأثير عمده اي بر اين تخصص پزشکي داشته باشد. به منظور ایجاد مبنایی برای فعالیت های آموزشی در این موضوع،مطالعه‌ای در میان کارآموزان و رادیولوژیست ها در یک برنامه رزیدنتی به اجرا در آمد.
روش ها: یک پرسشنامه‌ ناشناس توزیع شد. مقایسه‌ی داده های طبقه بندی شده بین گروه ها (کارآموزان و رادیولوژیست ها) با استفاده از آنالیز Pearson χ2 یا یک تحلیل دقیق هنگام لزوم انجام شد. زمانی که داده ها به صورت نرمال توزیع نشده بودند، مقایسه ها با استفاده از آزمون رتبه بندی ویلکاکسون رتبه بندی شد. به α مقدار 0.05 تعلق گرفت.
یافته ها: پاسخ کلی 66 درصد بود (69 از 104 مورد). سی و شش درصد شرکت کنندگان (25 نفر) گفتند که در طی 12 ماه گذشته، هیچ مقاله پزشکی درباره موضوع هوش مصنوعی نخوانده‌اند. 29 درصد از شرکت کنندگان (12 نفر) پاسخ دادند که از ابزارهای هوش مصنوعی در طول کار روزانه خود استفاده می‌کنند.شک و تردید کارآموزان در مورد اینکه آیا باید رادیوگرافی تشخیصی را به عنوان یک حرفه دنبال می کردند محتمل تر بود چرا که اگر می‌دانستند پیش بینی شده است که هوش مصنوعی تاثیر بالقوه‌ای بر روی این تخصص خواهد داشت (P=.0254) بیشتر احتمال داشت تا برای یادگیری این موضوع برنامه‌ریزی کنند.(P=.0401)
نتیجه گیری: برای رادیولوژیست ها مقالات علمی پزشکی هوش مصنوعی کمی ارائه شده است. کارآموزان نگران تاثیر هوش مصنوعی بر شغل شان هستند و مایلند در مورد موضوع مطالبی فرا بگیرند. نیاز به توسعه منابع آموزشی برای کمک به رادیولوژیست ها با فرض نقشی مهم در هدایت و تسهیل توسعه و اجرای ابزار هوش مصنوعی در رادیولوژی تشخیصی وجود دارد.
کلید واژه ها: هوش مصنوعی، رادیولوژی تشخیصی، رزیدنسی، مطالعه


لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2PrMCWr

خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : اعتماد به پزشکی راه دور : بحث در مورد ریسک ها، ایمنی، پیامدها و مضامین قانونی و مسئولیت ذینفعان درگیر
.
English Article Title: Trusting telemedicine: A discussion on risks, safety, legal implications and liability of involved stakeholders
Year: 2018
Publisher: ELSEVIER
Journal: International Journal of Medical Informatics
DOI: https://doi.org/10.1016/j.ijmedinf.2018.01.012

Keywords:
#Telemedicine
#mHealth
#Liability
#Legal_aspects
#Practice_guideline
#Medical_device
#پزشکی_راه‌دور
#مسئوليت
#جنبه‌های_حقوقي
#دستورالعمل_و_راهنمای_شیوه
#دستگاه_پزشكي
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_مهندسی (#Engineering)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_علوم_اجتماعی (#Social_Sciences)
#علوم_پزشکی_و_بهداشت (#health)
#حرفه_های_بهداشتی (#health_professions)
#مقاله_پرستاری (#Nursing)

چکیده مقاله:
اهداف: هدف اصلی این مقاله، افزایش آگاهی در میان تمام ذینفعان درگیر در خصوص ریسک ها و مضامین و پیامدهای قانونی مرتبط با توسعه و کاربرد سیستم های مدرن پزشکی راه دور است. تمرکز ویژه ای بر کلاس سیستم های "پزشکی راه دور" فعال اختصاص یافته است، که به تعامل دنیای واقعی و بدون واسطه با کاربر نهایی دلالت دارد. هدف دوم، ارائه مرور کلی در خصوص چارچوب قانونی اروپا است، که در تلاش برای اجتناب از ترس ها و شیوه های پزشکی دفاعی برای این سیستم ها به کار برده می شود، و ممکن است مانعی برای پذیرش گسترده تر آنها باشد.
روش ها: ما از تجربه به دست آمده در طول دو پروژه بین المللی پزشکی راه دور بهره می گیریم، یعنی MobiGuide (مطالعات آزمایشی انجام شده در اسپانیا و ایتالیا)، و AP@home (آزمایشات بالینی در ثبت شده برای بیمارانی در ایتالیا، فرانسه، هلند، بریتانیا، اتریش و آلمان)، که گروه ما در طول 4 سال گذشته به توسعه آنها کمک کرده است، و نقشه ای از بحرانی بودن بالقوه سیستم های فعال پزشکی راه دور ایجاد کرده، و در خصوص چارچوب قانونی مورد استفاده برای آنها نطر داده است. در دسامبر سال 2015 و مارس سال 2016، دو کارگاه آموزشی برگزار شده است، و این موضوع در میز گردهایی با توسعه دهندگان سیستم، محققان، پزشکان، پرستاران، کارشناسان حقوقی، اقتصاددانان بهداشت و مدیران مورد بحث قرار گرفته است.
نتایج: ما 8 ویژگی تولیدکننده ریسک های مرتبط را از موارد کاربرد مثال خود مشخص کردیم. این ویژگی ها به مجموعه گسترده ای از برنامه های کاربردی پزشکی راه دور تعمیم می یابند، و بینش هایی در مورد استراتژی های کاهش ریسک احتمالی پیشنهاد می کنند. ما در خصوص چارچوب حقوقی قانونی مربوطه اروپا نیز توضیح
می دهیم، که این کلاس از سیستم ها را تنظیم می کنند، و اشاره گرهایی به هنجارهای خاص ارائه کرده، و مشخصات مسئولیت احتمالی برای ذینفعان درگیر را برجسته می کنند.
نتیجه¬گیری: بیماران بسیار زیادی مایل به اتخاذ سیستم های پزشکی راه دور برای بهبود مراقبت در خانه و مدیریت روزمره خود هستند. گام ضروری در جهت پذیرش گسترده تر این سیستم ها شامل افزایش انطباق آنها با مقررات موجود و تعریف بهتر مسئولیت ها برای همه ذینفعان درگیر است.
کلمات کليدی: پزشکی راه دور، mHealth، مسئوليت، جنبه‌هاي حقوقي، دستورالعمل و راهنماي شیوه، دستگاه پزشكي


لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2QoQfgo

عنوان فارسی مقاله : تغییر حجم سنجی نوری پیشرفته با الهام از زیست بوم (PPG) وکاربرد سیستم تشخیص پترن ECG در ارزیابی پزشکی
.
English Article Title: An Advanced Bio-Inspired PhotoPlethysmoGraphy (PPG) and ECG Pattern Recognition System for Medical Assessment
Year: 2018
Publisher: MDPI
Journal: Sensors
DOI: https://doi.org/10.3390/s18020405

Keywords:
#PPG
#ECG
#pattern_recognition
#physiological_signal
#علوم_پزشکی_و_بهداشت (#health)
#مقاله_پزشکی (#Medical)
#مقاله_پرستاری (#Nursing)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_مهندسی (#Engineering)
#تشخیص_پترن
#سیگنال_فیزیولوژیکی

چکیده مقاله:
سیگنال‌های فیزیولوژیکی کاربرد وسیعی در اجرای ارزیابی پزشکی دارند تا دامنه وسیع پاتولوژی‌های مرتبط به بیماریها ،معمولا بیماری‌های قلبی- عروقی را مانیتورینگ نماید. در این میان، هم سیگنال‌های تغییر حجم سنجی نوری (PPE) و هم الکتروکاردیوگرافی (ECG) کاربرد بسیاری دارند. سیگنال‌های PPG، روش اندازه‌گیری غیر تهاجمی هستند که از طریق شناسایی و تحلیل تابش نوری به عقب پراکنده شده از پوست ، برای مطالعه ضربان‌های حجم خون استفاده می‌شوند. ECG، فرایند ثبت فعالیت الکتریکی قلب طی یک دوره زمان می باشد که از الکترودهای واقع بر روی پوست استفاده می‌کند. در مقاله حاضر، ترکیب فیزیولوژیکی ECG/PPG با استفاده از سیستم غیر خطی الهام گرفته از زیست بوم بر مبنای مدل ریاضیاتی واکنش- دیفوژن مطرح می‌گردد که از طریق متدلوژی شبکه عصبی سلولی (CNN) پیاده سازی می‌شود تا سیگنال PPG را از طریق تعیین امتیاز تشخیص به شکل موجهایی مجموعه‌های زمانی فیلتر نماید. سیگنال PPG "پاک" بدست آمده، مستثنی از انحراف و مصنوعات بکار برده‌شده جهت ارزیابی هدف تشخیص یک سیگنال ECG می‌باشد که بطور همزمان برای همان بیمار آشکار می‌شود. سیستم ترکیب PPG-ECG چند محلی که در این تحقیق پیشنهاد می‌شود، از محدودیت‌های پیشرفته‌ترین تکنولوژی در این زمینه گذر نموده است و سیستمی معتبر برای ارزیابی پارامترهای فیزیولوژیکی فوق الذکر و مانیتورینگ آنها در طول زمان را جهت ارزیابی پزشکی استوار ارائه می‌نماید. سیستم پیشنهادی ارزیابی شده است و نتایج حاصل بر قدرتمندی روش پیشنهادی تایید دارد.
کلمات کلیدی: PPG، ECG، تشخیص پترن، سیگنال فیزیولوژیکی

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2YNEzs4

عنوان فارسی مقاله : روشهای تشخیص علائم بیمار برای سیستم های تخصصی پزشکی سرطان پستان: رویکرد تجزیه زبان وب معنایی و زبان طبیعی
.
English Article Title: Patient symptoms elicitation process for breast cancer medical expert systems: A semantic web and natural language parsing approach
Year: 2018
Publisher: ELSEVIER
Journal: Future Computing and Informatics Journal
DOI: https://doi.org/10.1016/j.fcij.2017.11.003

Keywords:
#Medical_terms
#Semantic_web
#Natural_language_processing (#NLP)
#Rule_sets
#Inference
#Heuristics
#علوم_پزشکی_و_بهداشت (#health)
#مقاله_پزشکی (#Medical)
#مقاله_پرستاری (#Nursing)
#علوم_زیستی_و_کشاورزی (#Life_Sciences)
#مقاله_بیوشیمی
#مقاله_ژنتیک
#مقاله_زیست_مولکولی (#Biochemistry_Genetics_and_Molecular_Biology)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#اصطلاحات_پزشکی
#وب_معنایی
#پردازش_زبان_طبیعی
#مجموعه_قوانین
#استنباط
#اکتشاف
#سرطان_پستان
#سرطان

چکیده مقاله: جمع آوری اطلاعات از بیمار توسط پزشکان طی مراحل تشخیص ممکن است زمانی بعضی از مهارت ها به طور مناسب جهت جمع آوری اطلاعات مورد نیاز برای این روش کافی باشد. وضعیتی که این جمع آوری اطلاعات ممکن است در زمانیکه سیستم پشتیبانی تصمیم گیری تشخیصی (DDSS) برای جمع آوری چنین اطلاعاتی از بیمار، قبل از انجام روش تشخیصی دشوار است. تحقیقات ثابت کرده است که برای اطمینان از ورودی کاربر یا بیمار، در فرم خام خود، نگاشت ها را در لیست شرایط قابل قبول پزشکی برای وظایف تشخیصی قرار داده است. در نتیجه، این مقاله یک مدل مولد ورودی رسمی را ارائه می دهد که با ایجاد یک فرایند استنتاج، واژه نامه سرطان پستان، مجموعه قوانین و پردازش زبان طبیعی (NLP)، این کمبود را مورد توجه قرار می دهد. ما یک الگوریتم تولید ورودی را ایجاد کردیم که از قابلیت پردازش زبان طبیعی پایتون در اولین فیلتر کردن و تولید اولین مجموعه از پیش ورودی استفاده می کرد. علاوه بر این، این الگوریتم سپس در مجموعه کلمه قبل از ورودی به عنوان ورودی به موتور استنتاج که در حافظه آن مجموعه قوانین و لغت نامه مبتنی بر هستی شناخته شده است، تغذیه می کند. در نهایت، این یک لیست از نشانه های قابل قبول را که به سیستم متخصص پزشکی یا DDSS برای تشخیص سرطان سینه ارسال می شود، تولید می کند. این مدل پیشنهادی بر روی DDSS مبتنی بر سرطان سینه پیش از این توسط این نویسندگان طراحی شده است و نتیجه نشان می دهد که پشتیبانی استنتاج از این مدل، ورودی اضافی حدود 64٪ در مقایسه با زمانی که ورودی بیمار که در آن به عنوان ورودی در حالت ارسال فرستاده شده است.
کلمات کلیدی : اصطلاحات پزشکی ، وب معنایی ، پردازش زبان طبیعی (NLP) ، مجموعه قوانین ، استنباط ، اکتشاف

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/3bqCANa