المؤلفون:
عمر صادق سلمان، عبد اللطيف، نور المعزّة، شريفة حفيظة سيد عارفين، عمر حسين سلمان
تاريخ النشر: 1 أغسطس 2024
المجلة: مجلة بيرتانيكا للعلوم والتكنولوجيا
المجلد: 32
العدد: 5
الوصف:
تعاني أدوات الفرز الطبي التقليدية المستخدمة في المستشفيات من قيود في التعامل مع الأعداد المتزايدة من المرضى وتحليل البيانات المعقدة. هذه التحديات المستمرة تستدعي تطوير طرق تنبؤ أكثر كفاءة لفرز المرضى.
تهدف هذه الدراسة إلى استخدام تعلم الآلة (Machine Learning) لإنشاء نموذج آلي لفرز المرضى عن بُعد ضمن أنظمة الطب عن بُعد، مما يوفر خدمات صحية أكثر دقة وتقييمًا فوريًا للحالات الطارئة.
تم إجراء دراسة مقارنة لتقييم أداء عدة نماذج تعلم آلة خاضعة للإشراف، مثل:
- SVM (آلة الدعم الناقل)
- RF (الغابة العشوائية)
- DT (شجرة القرار)
- LR (الانحدار اللوجستي)
- NB (نايف بايز)
- KNN (أقرب الجيران)
وذلك لمعرفة مدى كفاءتها في تقييم نتائج فرز المرضى في العيادات الخارجية.
تعتمد عملية الفرز الفعّالة على بيانات متنوعة وسريعة التوليد، تم جمعها باستخدام أجهزة إنترنت الأشياء الطبية (IoMT)، وتشمل:
- بيانات حسية مثل: تخطيط القلب (ECG)، ضغط الدم، نسبة الأكسجين في الدم (SpO2)، ودرجة الحرارة
- بيانات غير حسية على شكل نصوص
قامت الدراسة بتحليل ستة خوارزميات تعلم آلة خاضعة للإشراف، حيث تم تدريب النماذج باستخدام بيانات طبية للمرضى، ثم تقييم أدائها للتحقق من دقتها.
كما تم تطبيق تقنيات تعلم الآلة ضمن بيئات Hadoop وSpark لتحسين القدرة على تحليل البيانات الضخمة وتحديد المرضى المصابين بأمراض مزمنة بدقة.
تم استخدام مجموعة بيانات تضم 55,680 سجلًا طبيًا لتقييم النماذج وتحديد الأفضل في التنبؤ بالأمراض.
النتائج:
أظهرت نتائج المحاكاة أن دمج تعلم الآلة في أنظمة الطب عن بُعد فعّال جدًا في تحليل البيانات القادمة من أجهزة IoMT المختلفة.
وقد حققت خوارزمية شجرة القرار (Decision Tree – DT) أفضل أداء مقارنة ببقية الخوارزميات، حيث بلغت دقتها حوالي 93.50%.
الخلاصة
تقدم هذه الدراسة دليلًا عمليًا على أهمية استخدام تعلم الآلة في تحسين دقة وسرعة فرز المرضى، خاصة في بيئات الطب عن بُعد التي تعتمد على بيانات متعددة المصادر.
عدد الاستشهادات:
تم الاستشهاد بهذا البحث 4 مرات