تلفيق روش‌هاي يادگيري ماشيني و مدل‌هاي چندحالتي براي آناليز بقاي بيماري‌هاي عفوني در بيمارستان با در نظر گرفتن استانداردهاي ISO13606 (1-5) در طراحي برنامه واسط

هدف از اين پژوهش، ارائه‌ي مدلي تركيبي براي تحليل بقا و پيش‌بيني مسير بيماري‌هاي عفوني در محيط‌هاي بيمارستاني است. بدين منظور، مدل‌هاي چندحالتي به‌منظور نمايش وضعيت‌هاي مختلف بيمار) بستري، ICU، ترخيص و مرگ (با روش‌هاي يادگيري ماشيني تلفيق شده‌اند تا پيش‌بيني دقيق‌تري از تغيير وضعيت بيماران بر اساس متغيرهاي باليني ارائه شود. در اين مدل، داده‌هاي بيماران كرونايي به‌عنوان نمونه‌اي از بيماري‌هاي عفوني مورد استفاده قرار گرفته و فرايند بازگشتي طراحي شد تا بتواند داده‌هاي جديد را بدون بازآموزي كامل مدل تحليل كند. همچنين، جهت قابليت پياده‌سازي باليني، ارتباط داده‌ها و ساختار مدل با رعايت استاندارد ISO13606 انجام شده است تا تبادل اطلاعات سلامت بين سامانه‌هاي بيمارستاني تسهيل گردد. نتايج حاصل از تحليل داده‌هاي واقعي نشان داد كه مدل پيشنهادي با ميانگين خطاي مطلق (MAE) برابر با 0٫57 روز نسبت به مدل‌هاي مرجع عملكرد بهتري دارد و با آزمون ويلكاكسون (p <‎ 0.001) اختلاف معناداري در دقت پيش‌بيني مشاهده شد. نتايج تحليل‌ها نشان داد كه مدل چندحالتي پيشنهادي در مقايسه با مدل‌هاي كلاسيك، عملكرد بهتري در معيارهاي دقت پيش‌بيني دارد. همچنين، تحليل اهميت متغيرها بيانگر آن بود كه سن، تعداد لنفوسيت‌ها و شاخص چارلسون (CCI) تأثير قابل‌توجهي در انتقال بيماران به حالتياي ICU و مرگ داشته‌اند. اين يافته‌ها نشان مي‌دهد كه تركيب مدل‌هاي چندحالتي با الگوريتم‌هاي يادگيري ماشين، ضمن بهبود دقت پيش‌بيني، امكان تفسيرپذيري و تصميم‌گيري باليني هوشمندتر را فراهم مي‌سازد. در مجموع، نتايج نشان مي‌دهد كه ادغام مدل‌هاي چندحالتي با الگوريتم‌هاي يادگيري ماشيني نه‌تنها موجب بهبود دقت پيش‌بيني مدت بستري و پيامدهاي بيماران مي‌شود، بلكه امكان تفسيرپذيري بالاتر و به‌كارگيري مؤثر در سامانه‌هاي تصميم‌يار باليني را نيز فراهم مي‌سازد. اين دستاورد مي‌تواند گامي مؤثر در جهت توسعه‌ي مدل‌هاي هوشمند پيش‌بيني و مديريت منابع بيمارستاني باشد.

1404/10/02

همدم نوروزي

Machine learning , multi-state model , survival analysis , dynamic Bayesian network , infectious diseases , 13606 , recursive model

Combining machine learning methods an‎d multi-state models for analyzing the survival of infectious diseases in hospitals, considering ISO13606 (1-5) stan‎dards in the design of the interface program

مهندسي پزشكي

The aim of this study is to develop a hybrid model for survival analysis an‎d trajectory prediction of infectious diseases in hospital settings. To achieve this, multi-state models were integrated with machine learning algorithms—including dynamic Bayesian networks (DBN)—to represent different patient states (hospitalization, ICU, discharge, an‎d death) an‎d to provide more accurate predictions of transitions between these states based on clinical variables. The dataset used consisted of hospitalized COVID-19 patients as a representative example of infectious diseases, an‎d a recursive process was designed to enable the model to analyze new incoming data without the need for full retraining. For clinical applicability, the communication of data an‎d the model architecture were designed in accordance with the ISO 13606 stan‎dard, ensuring interoperability an‎d secure exchange of health information between hospital systems. The analysis of real-world data demonstrated that the proposed model achieved a mean absolute error (MAE) of 0.57 days, significantly outperforming reference models according to the Wilcoxon test (p <‎ 0.001). The model showed improved accuracy an‎d interpretability compared with classical survival approaches. Feature importance analysis revealed that age, lymphocyte count, an‎d the Charlson Comorbidity Index (CCI) were the most influential variables affecting transitions to ICU an‎d death. Overall, the integration of multi-state modeling, machine learning, an‎d Bayesian dynamic network frameworks enhanced predictive accuracy, interpretability, an‎d adaptability for clinical decision support. This hybrid approach not only improves the prediction of length of stay an‎d patient outcomes but also establishes a foundation for intelligent, interoperable hospital resource management systems.

5

150174