ترجمه فارسی مقاله نقشه‌برداری از مسیرهای بیمار: درک و تجسم مسیرهای پیش‌آگهی سپسیس از روایت‌های بالینی بیماران

چکیده

In recent years, healthcare professionals are increasingly emphasizing on personalized and evidence-based patient care through the exploration of prognostic pathways. To study this, structured clinical variables from Electronic Health Records (EHRs) data have traditionally been employed by many researchers. Presently, Natural Language Processing models have received great attention in clinical research which expanded the possibilities of using clinical narratives. In this paper, we propose a systematic methodology for developing sepsis prognostic pathways derived from clinical notes, focusing on diverse patient subgroups identified by exploring comorbidities associated with sepsis and generating explanations of these subgroups using SHAP. The extracted prognostic pathways of these subgroups provide valuable insights into the dynamic trajectories of sepsis severity over time. Visualizing these pathways sheds light on the likelihood and direction of disease progression across various contexts and reveals patterns and pivotal factors or biomarkers influencing the transition between sepsis stages, whether toward deterioration or improvement. This empowers healthcare providers to implement more personalized and effective healthcare strategies for individual patients.

چکیده به فارسی (ترجمه ماشینی)

در سالهای اخیر ، متخصصان مراقبت های بهداشتی به طور فزاینده ای از طریق اکتشاف مسیرهای پیش آگهی بر مراقبت های شخصی و مبتنی بر شواهد تأکید می کنند.برای مطالعه این مورد ، متغیرهای بالینی ساختاری از داده های سلامت الکترونیکی (EHRS) به طور سنتی توسط بسیاری از محققان به کار رفته است.در حال حاضر ، مدل های پردازش زبان طبیعی در تحقیقات بالینی مورد توجه زیادی قرار گرفته اند که امکان استفاده از روایت های بالینی را گسترش داده است.در این مقاله ، ما یک روش سیستماتیک برای توسعه مسیرهای پیش آگهی سپسیس حاصل از نت های بالینی ، با تمرکز بر روی زیر گروه های متنوع بیمار که با بررسی عوارض همراه با سپسیس و ایجاد توضیحات مربوط به این زیر گروه ها با استفاده از Shap ارائه می دهیم ، پیشنهاد می کنیم.مسیرهای پیش آگهی استخراج شده از این زیر گروه ها بینش ارزشمندی در مورد مسیرهای پویا شدت سپسیس با گذشت زمان ارائه می دهند.تجسم این مسیرها ، احتمال و جهت پیشرفت بیماری را در زمینه های مختلف روشن می کند و الگوهای و عوامل محوری یا نشانگرهای زیستی مؤثر در انتقال بین مراحل سپسیس ، چه به سمت وخامت یا بهبود را نشان می دهد.این امر به ارائه دهندگان مراقبت های بهداشتی این امکان را می دهد تا استراتژی های مراقبت های بهداشتی شخصی تر و مؤثرتر را برای بیماران خاص اجرا کنند.