| عنوان مقاله به انگلیسی | Patient-centered data science: an integrative framework for evaluating and predicting clinical outcomes in the digital health era |
| عنوان مقاله به فارسی | ترجمه فارسی مقاله علم دادههای بیمار محور: چارچوبی یکپارچه برای ارزیابی و پیشبینی پیامدهای بالینی در عصر سلامت دیجیتال |
| نویسندگان | Mohsen Amoei, Dan Poenaru |
| فرمت مقاله انگلیسی | |
| زبان مقاله تحویلی | ترجمه فارسی |
| فرمت مقاله ترجمه شده | به صورت فایل ورد |
| نحوه تحویل ترجمه | دو تا سه روز پس از ثبت سفارش (به صورت فایل دانلودی) |
| تعداد صفحات | 12 |
| دسته بندی موضوعات | Machine Learning,Artificial Intelligence,Computers and Society,یادگیری ماشین , هوش مصنوعی , رایانه و جامعه , |
| توضیحات | Submitted 30 July, 2024; originally announced August 2024. |
| توضیحات به فارسی | ارسال شده 30 ژوئیه 2024 ؛در ابتدا اوت 2024 اعلام شد. |
توضیحات گزینههای خرید
دانلود مقاله اصل انگلیسی
با انتخاب این گزینه، میتوانید فایل PDF مقاله اصلی را به زبان انگلیسی دانلود کنید.
قیمت: 19,000 تومان
سفارش ترجمه فارسی مقاله
با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، ترجمه فارسی مقاله را نیز سفارش میدهید.
قیمت: 480,000 تومان
زمان تحویل: 2 تا 3 روز کاری
| فرمت ارائه ترجمه مقاله | تحویل به صورت فایل ورد |
| زمان تحویل ترجمه مقاله | بین 2 تا 3 روز پس از ثبت سفارش |
| کیفیت ترجمه | بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه میشود. |
| جداول و فرمول ها | کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج میشوند. |
چکیده
This study proposes a novel, integrative framework for patient-centered data science in the digital health era. We developed a multidimensional model that combines traditional clinical data with patient-reported outcomes, social determinants of health, and multi-omic data to create comprehensive digital patient representations. Our framework employs a multi-agent artificial intelligence approach, utilizing various machine learning techniques including large language models, to analyze complex, longitudinal datasets. The model aims to optimize multiple patient outcomes simultaneously while addressing biases and ensuring generalizability. We demonstrate how this framework can be implemented to create a learning healthcare system that continuously refines strategies for optimal patient care. This approach has the potential to significantly improve the translation of digital health innovations into real-world clinical benefits, addressing current limitations in AI-driven healthcare models.
چکیده به فارسی (ترجمه ماشینی)
این مطالعه یک چارچوب جدید و یکپارچه برای علم داده های بیمار محور در دوره بهداشت دیجیتال ارائه می دهد.ما یک مدل چند بعدی تهیه کردیم که داده های بالینی سنتی را با نتایج گزارش شده توسط بیمار ، عوامل اجتماعی بهداشت و داده های چندمیک برای ایجاد بازنمایی های جامع بیمار دیجیتال ترکیب می کند.چارچوب ما از یک رویکرد هوش مصنوعی چند عامل استفاده می کند ، با استفاده از تکنیک های مختلف یادگیری ماشین از جمله مدل های بزرگ زبان ، برای تجزیه و تحلیل مجموعه داده های پیچیده و طولی.این مدل با هدف بهینه سازی نتایج بیمار به طور همزمان ضمن پرداختن به تعصب و اطمینان از تعمیم پذیری.ما نشان می دهیم که چگونه می توان این چارچوب را برای ایجاد یک سیستم مراقبت های بهداشتی یادگیری که به طور مداوم استراتژی هایی را برای مراقبت بهینه بیمار اصلاح می کند ، پیاده سازی کرد.این رویکرد این پتانسیل را دارد که به طور قابل توجهی ترجمه نوآوری های سلامت دیجیتال را به مزایای بالینی در دنیای واقعی بهبود بخشد و محدودیت های فعلی را در مدلهای بهداشت و درمان AI محور داشته باشد.
| فرمت ارائه ترجمه مقاله | تحویل به صورت فایل ورد |
| زمان تحویل ترجمه مقاله | بین 2 تا 3 روز پس از ثبت سفارش |
| کیفیت ترجمه | بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه میشود. |
| جداول و فرمول ها | کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج میشوند. |


نقد و بررسیها
هنوز بررسیای ثبت نشده است.