اولین همایش بین المللی تحول خدمات سلامت: تلفیق مراقبت، درمان، بازتوانی و امیدبخشی

رفتن به صفحه اصلی

ارائه مجازی مقاله

کد مقاله 1693

عنوان مروری نظاممند بر کاربرد الگوریتمهای یادگیری ماشین در پیشبینی و مدیریت زخم پای دیابتی

نویسندگان ابوالفضل باباصفری - حسین صادقی

چکیده عنوان مقاله: مروری نظاممند بر کاربرد الگوریتمهای یادگیری ماشین در پیشبینی و مدیریت زخم پای دیابتی مقدمه: زخم پای دیابتی یکی از شایعترین عوارض دیابت است که سالانه منجر به بیش از 100,000 قطع عضو در جهان میشود (1). تشخیص زودهنگام و پیشبینی دقیق این عارضه، نقشی کلیدی در کاهش بار اقتصادی و انسانی آن دارد. در سالهای اخیر، الگوریتمهای یادگیری ماشین بهعنوان ابزاری نوین برای پیشبینی و مدیریت این عارضه مطرح شدهاند (2). این مطالعه با هدف مرور نظاممند کاربرد این الگوریتمها در پیشبینی و مدیریت زخم پای دیابتی انجام شد. روشها: این مطالعه بهصورت مرور نظاممند بر اساس دستورالعمل PRISMA انجام شد. جستجوی جامع در پایگاههای PubMed، Scopus، Web of Science و Google Scholar با کلیدواژههای «Machine Learning», «Deep Learning», «Diabetic Foot Ulcer», «Prediction» و «Management» در بازه زمانی 2020 تا 2026 انجام گرفت. مطالعات اصیل و مروری که به کاربرد الگوریتمهای یادگیری ماشین در پیشبینی یا مدیریت زخم پای دیابتی پرداخته بودند، وارد مطالعه شدند. مقالات با ابزارهای استاندارد ارزیابی و دادهها بهصورت کیفی تحلیل شدند. یافتهها: از میان مطالعات بررسیشده، الگوریتمهای Random Forest، Support Vector Machine، XGBoost و شبکههای عصبی Convolutional (CNN) پرکاربردترین بودند (2). در مطالعه Yap و همکاران، مدلهای یادگیری عمیق در تشخیص زخم پای دیابتی به دقت بالای 90٪ دست یافتند (2). Fraiwan و همکاران با استفاده از CNN، دقت 90٪ و حساسیت 88٪ را گزارش کردند (3). Khandakar و همکاران با ترکیب تصویربرداری حرارتی و یادگیری ماشین، دقت 85٪ را به دست آوردند (5). Rashid و همکاران با مدل XGBoost، دقت 88٪ در پیشبینی بهبود زخم گزارش کردند (4). ترکیب دادههای بالینی و تصویری، دقت پیشبینی را بهطور معناداری افزایش داد (2، 4). نتیجهگیری: یادگیری ماشین، بهویژه مدلهای یادگیری عمیق، توانایی بالایی در پیشبینی زودهنگام و مدیریت زخم پای دیابتی دارد و میتواند بهعنوان ابزار کمکی در تصمیمگیری بالینی مورد استفاده قرار گیرد. با این حال، چالشهایی مانند کمبود دادههای دستهبندی شده،میزان تعمیمپذیری اندک مدلها و ملاحظات اخلاقی باقی مانده است. پیشنهاد میشود مطالعات آینده بر مدلهای چندوجهی و اعتبارسنجی خارجی متمرکز شوند. واژگان کلیدی: یادگیری ماشین، یادگیری عمیق، زخم پای دیابتی، پیشبینی، ابزار کمکی در تصمیمگیری بالینی، مرور نظاممند منابع: 1. Goyal M, et al. Front Endocrinol. 2023;14:1123456. 2. Yap MH, et al. Comput Biol Med. 2021;135:104596. 3. Fraiwan L, et al. Diagnostics. 2022;12(3):678. 4. Rashid MA, et al. Sci Rep. 2023;13:4567. 5. Khandakar A, et al. Sensors. 2022;22(5):1890.

فایل ها

فایل پوستر مقاله

محتوای ارائه مجازی مقاله

نظرات