پیش بینی سکته قلبی

پیش بینی سکته قلبی و پیش آگهی عوارض، ناتوانی و مرگ به بیماران، خانواده و پزشکان آنها کمک می کند تا در مورد نوع و زمان مناسب درمان ها (به ویژه تصمیم گیری در مورد انتقال سریع به درمان های پیشرفته) تصمیم بگیرند

و به برنامه ریزی خدمات و منابع بهداشتی و اجتماعی کمک می کند. نشانگرهای پیش آگهی متعددی از مرگ و/یا بستری شدن در بیمارستان HF در بیماران مبتلا به HF شناسایی شده است (جدول وب 3.5). با این حال، کاربرد بالینی آنها محدود است و طبقه بندی دقیق خطر در HF همچنان چالش برانگیز است.

در دهه های اخیر، چندین امتیاز خطر پیش آگهی چند متغیره برای جمعیت های مختلف بیماران مبتلا به HF، 36-41 ایجاد شده است و برخی به عنوان برنامه های کاربردی آنلاین تعاملی در دسترس هستند. نمرات خطر چند متغیره ممکن است به پیش‌بینی مرگ در بیماران مبتلا به HF کمک کند،

اما برای پیش‌بینی بستری‌های بعدی HF کمتر مفید است.

یک مرور سیستماتیک که 64 مدل پیش‌آگهی را بررسی می‌کند به همراه یک مطالعه متاآنالیز و متا رگرسیون از 117 مدل پیش آگهی38 نشان داد. تنها دقت متوسطی از مدل‌های پیش‌بینی‌کننده مرگ و میر،

در حالی که مدل‌هایی که برای پیش‌بینی نقطه پایانی ترکیبی مرگ یا بستری در بیمارستان، یا فقط بستری شدن در بیمارستان طراحی شده‌اند، توانایی تشخیص ضعیف‌تری داشتند.

بسیاری از بیماران مبتلا به HF و بیماری ایسکمیک قلب (IHD) سابقه انفارکتوس میوکارد یا عروق مجدد دارند.

با این حال،

آنژیوگرافی کرونر طبیعی اسکار میوکارد (به عنوان مثال با تصویربرداری CMR) یا اختلال در میکروسیرکولاسیون کرونر را به عنوان شواهد جایگزین برای IHD حذف نمی کند. در عمل بالینی، تمایز واضح بین کاردیومیوپاتی های اکتسابی و ارثی همچنان چالش برانگیز است. در اکثر بیماران با تشخیص قطعی بالینی HF، هیچ نقش تاییدی برای آزمایشات ژنتیکی روتین وجود ندارد، اما مشاوره ژنتیک در بیماران مبتلا به کاردیومیوپاتی هیپرتروفیک (HCM)، DCM “ایدیوپاتیک” یا کاردیومیوپاتی بطن راست آریتموژنیک (ARVC) توصیه می شود (به بخش مراجعه کنید). 5.10.1)، زیرا نتایج این آزمایشات ممکن است پیامدهای بالینی داشته باشد.

در طول 30 سال گذشته، بهبود در درمان‌ها و اجرای آن‌ها باعث بهبود بقا و کاهش میزان بستری شدن در بیمارستان در بیماران مبتلا به HFrEF

شده است، اگرچه نتیجه اغلب رضایت‌بخش نیست. جدیدترین داده های اروپایی (مطالعه آزمایشی ESC-HF) نشان می دهد که میزان مرگ و میر 12 ماهه به دلایل مختلف برای بیماران بستری در بیمارستان و بیماران HF پایدار/سرپایی به ترتیب 17٪ و 7٪ و نرخ بستری 12 ماهه 44٪ و به ترتیب 32 درصد. 35 در بیماران مبتلا به HF (هم بستری و هم سرپایی)، بیشتر مرگ و میرها به دلایل قلبی عروقی، عمدتاً مرگ ناگهانی و بدتر شدن HF است. مرگ و میر ناشی از همه علل به طور کلی در HFrEF بیشتر از HFpEF است. 35، بستری شدن در بیمارستان اغلب به دلایل غیر قلبی عروقی، به ویژه در بیماران مبتلا به HFpEF است. بستری شدن در بیمارستان به دلایل قلبی عروقی از سال 2000 تا 2010 تغییری نکرد، در حالی که موارد غیر قلبی عروقی افزایش یافت.

No Category

Doctor -

1:52 ب.ظ

پیش بینی و سکته قلبی

تحلیل نوار قلب

پیش بینی تخمین پیش آگهی عوارض، ناتوانی و مرگ به بیماران، خانواده و پزشکان آنها کمک می کند تا در مورد نوع و زمان مناسب درمان ها (به ویژه تصمیم گیری در مورد انتقال سریع به درمان های پیشرفته) تصمیم بگیرند و به برنامه ریزی خدمات و منابع
بهداشتی و اجتماعی کمک می کند. نشانگرهای پیش آگهی متعددی از مرگ و/یا بستری شدن در بیمارستان HF در بیماران مبتلا به HF شناسایی شده است با این حال، کاربرد بالینی آنها محدود است و طبقه بندی دقیق خطر در HF همچنان چالش برانگیز است.

تحلیل هولتر

آنالیز24ساعته وتشخیص ریسک

جلوگیری از اتلاف وقت پزشک وتحلیل موج نوار قلب و ECG

بهترین مزیت برای پزشک می باشد

مدیریت دیتا بیماران وارتباط داخل وب سروردقت وبهره وری متخصص را بالا میبرد .

اپلیکیشن تشخیصی پزشکی و مشاوره

با سرورهای قدرتمند و دیتا سورس 20هزاربیمار قلبی،درهر لحظه نوسان های میکرو ولتاژقلب وریزموج PQRST

تحلیل وآنالیزمی شوند ودرصورت ریسک سکته الارم برای پزشک و اورژانس ارسال می شود

آنالیز ونظارت 24ساعته

تحلیل نوار قلب ECGq

تشخیص بیماری قلبی عروقی به دلیل عوامل خطر متعددی از جمله فشار خون بالا، کلسترول و ضربان غیر طبیعی نبض دشوار است. تصمیم گیری دقیق و درمان بهینه برای رسیدگی به خطرات قلبی مورد نیاز است. با پیشرفت فناوری یادگیری ماشین، عملکرد بالینی صنعت
مراقبت های بهداشتی احتمالاً تغییر خواهد کرد. در نتیجه، محققان و پزشکان باید اهمیت تکنیک های یادگیری ماشین را تشخیص دهند. هدف اصلی این تحقیق توصیه یک سیستم پیش‌بینی بیماری قلبی عروقی مبتنی بر یادگیری ماشینی است که بسیار دقیق باشد. در
مقابل، الگوریتم‌های یادگیری ماشین مدرن مانند REP Tree، M5P Tree، Random Tree، Linear Regression، Naive Bayes، J48 و JRIP برای طبقه‌بندی مجموعه داده‌های محبوب قلبی عروقی استفاده می‌شوند. عملکرد CDPS پیشنهادی با استفاده از معیارهای مختلف
برای شناسایی بهترین مدل یادگیری ماشین مناسب ارزیابی شد. وقتی نوبت به پیش‌بینی بیماران قلبی عروقی می‌رسید، مدل درخت تصادفی با بالاترین دقت 100٪، کمترین MAE 0.0011، کمترین RMSE با 0.0231، و سریع‌ترین زمان پیش‌بینی 0.01 ثانیه عملکرد قابل‌توجهی
داشت.

سهم ما

(i) دقت پیش‌بینی تکنیک‌های مختلف یادگیری ماشین در این مطالعه برای تخمین خطر قلبی عروقی مورد بررسی قرار می‌گیرد.

(ب) تجزیه و تحلیل تکنیک‌های مختلف طبقه‌بندی یادگیری ماشین با استفاده از حداقل ویژگی‌ها در دو مجموعه داده بیماری‌های قلبی عروقی معروف، یعنی (i) مجارستانی و (ii) Statlog (قلب) انجام می‌شود.

(iii) از نظر پیش‌بینی بیماری‌های قلبی عروقی، تحلیل مقایسه‌ای عملکرد الگوریتم‌های یادگیری ماشینی REP Tree و Random Tree جدید است.

(IV) در نتیجه، یک سیستم پیش‌بینی بیماری قلبی عروقی کارآمد و دقیق ارائه می‌شود. علاوه بر این، ما بهترین الگوریتم یادگیری ماشینی مناسب را برای طراحی سیستم‌های هوشمند سطح بالا برای پیش‌بینی بیماری‌های قلبی عروقی توصیه می‌کنیم.

یادگیری ماشین برای حل بسیاری از مسائل در علم داده استفاده می شود. داده های موجود به پیش بینی نتایج در یادگیری ماشین کمک می کند. به عنوان یک تکنیک یادگیری ماشینی قدرتمند، نویسندگان طبقه‌بندی مجموعه‌ای را برای بهبود طبقه‌بندی‌کننده‌های
متعدد بررسی کردند. طبقه بندی گروه، طبقه بندی پیش بینی را بهبود می بخشد، اما تنها 7٪. برای آموزش و آزمایش، از مجموعه داده قلب کلیولند استفاده شد. به گفته نویسندگان در [19]، جنگل تصادفی و MP5 85.48٪ در پیش بینی بیماری قلبی ایجاد کردند.
فرآیند استخراج اطلاعات از تمام جنبه های زندگی انسان به عنوان داده کاوی شناخته می شود. رایج ترین کاربرد داده کاوی، کاوی مراقبت های بهداشتی است. الگوریتم جنگل تصادفی در مطالعه [20] برای پیش بینی وقوع بیماری قلبی در بیماران استفاده شد.
در مجموع 303 نمونه از مجموعه داده Kaggle در نظر گرفته شد. معیارهای مورد استفاده برای ارزیابی عملکرد، دقت، حساسیت و ویژگی بود. در طبقه بندی بیماری های قلبی، الگوریتم به نرخ پیش بینی 93.3 درصد دست یافت.

در مورد بیماری قلبی عروقی، تشخیص زودهنگام در نجات جان بیماران بسیار مهم است. همچنین محافظت از بیماران در برابر چنین بیماری هایی ضروری است. بسیاری از ابزارهای تجزیه و تحلیل داده ها برای کمک به ارائه دهندگان مراقبت های بهداشتی در تشخیص
زودهنگام استفاده می شوند [4]. در سال 2015، حدود 17.7 میلیون نفر در سراسر جهان بر اثر بیماری های قلبی عروقی جان خود را از دست دادند. برای مقابله با خطر قلبی، تصمیم گیری دقیق و درمان بهینه مورد نیاز است. مطالعه دیگری در کانادا از پنج
مدل یادگیری ماشینی برای تجزیه و تحلیل مرگ و میر یک ماهه در بیماران نارسایی احتقانی قلب که در بیمارستان بستری شده بودند استفاده کرد. پیش بینی های داخل بیمارستانی برای بیماران انفارکتوس میوکارد در کره جنوبی و چین مورد مطالعه قرار گرفته
است [5]. از سوی دیگر، مشخص شده است که بیماری های قلبی عروقی عامل یک مورد از هر چهار مرگ در ایالات متحده است. بیماری قلبی عروقی تقریباً 92.1 میلیون بزرگسال آمریکایی را تحت تأثیر قرار می دهد. موفقیت تکنیک های یادگیری ماشین به کار متخصصان
پزشکی کمک کرده است [6]. در نتیجه، یک سیستم پیش‌بینی خطر قلبی عروقی باید بسیار دقیق و خاص باشد.

No Tag

پیش بینی سکته قلبی