Submitted 10 September, 2024; originally announced September 2024. , Comments: Accepted to the 2024 International Conference on Machine Learning and Applications (ICMLA). 8 pages, 3 figures, 7 tables
توضیحات به فارسی
ارسال شده 10 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: پذیرفته شده در کنفرانس بین المللی 2024 یادگیری و برنامه های کاربردی (ICMLA).8 صفحه ، 3 شکل ، 7 جدول
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Background: Hip replacement procedures improve patient lives by relieving pain and restoring mobility. Predicting hip replacement in advance could reduce pain by enabling timely interventions, prioritising individuals for surgery or rehabilitation, and utilising physiotherapy to potentially delay the need for joint replacement. This study predicts hip replacement a year in advance to enhance quality of life and health service efficiency. Methods: Adapting previous work using Temporal Graph Convolutional Neural Network (TG-CNN) models, we construct temporal graphs from primary care medical event codes, sourced from ResearchOne EHRs of 40-75-year-old patients, to predict hip replacement risk. We match hip replacement cases to controls by age, sex, and Index of Multiple Deprivation. The model, trained on 9,187 cases and 9,187 controls, predicts hip replacement one year in advance. We validate the model on two unseen datasets, recalibrating for class imbalance. Additionally, we conduct an ablation study and compare against four baseline models. Results: Our best model predicts hip replacement risk one year in advance with an AUROC of 0.724 (95% CI: 0.715-0.733) and an AUPRC of 0.185 (95% CI: 0.160-0.209), achieving a calibration slope of 1.107 (95% CI: 1.074-1.139) after recalibration. Conclusions: The TG-CNN model effectively predicts hip replacement risk by identifying patterns in patient trajectories, potentially improving understanding and management of hip-related conditions.
چکیده به فارسی (ترجمه ماشینی)
سابقه و هدف: روشهای جایگزینی باسن با تسکین درد و بازگرداندن تحرک ، زندگی بیمار را بهبود می بخشد.پیش بینی جایگزینی باسن از قبل می تواند با فعال کردن مداخلات به موقع ، اولویت بندی افراد برای جراحی یا توانبخشی و استفاده از فیزیوتراپی برای تأخیر در نیاز به جایگزینی مفاصل ، درد را کاهش دهد.این مطالعه پیش بینی تعویض مفصل ران را یک سال پیش برای افزایش کیفیت زندگی و بهره وری خدمات درمانی پیش بینی می کند.مواد و روش ها: تطبیق کار قبلی با استفاده از مدل های شبکه عصبی نوری (TG-CNN) نمودار نمودار ، ما نمودارهای زمانی را از کدهای رویدادهای پزشکی مراقبت های اولیه ، که از EHR های Researchone از بیماران 40-75 ساله تهیه شده است ، برای پیش بینی خطر جایگزینی لگن می سازیم.ما موارد جایگزینی مفصل ران را با کنترل سن ، جنس و شاخص محرومیت چندگانه مطابقت می دهیم.این مدل که در 9،187 مورد و 9187 کنترل آموزش دیده است ، یک سال پیش تعویض مفصل ران را پیش بینی می کند.ما این مدل را در دو مجموعه داده غیب تأیید می کنیم ، و برای عدم تعادل کلاس ، مجدداً ارزیابی می کنیم.علاوه بر این ، ما یک مطالعه فرسایش انجام می دهیم و در برابر چهار مدل پایه مقایسه می کنیم.يافته ها: بهترین مدل ما خطر تعویض مفصل ران را يك سال قبل با AUROC 0.724 (95 ٪ CI: 0.715-0.733) و AUPRC 0.185 (CI 95 ٪: 0.160-0.209) پیش بینی مي كند و به شيع كاليبرايش 1.107 (95٪ CI: 1.074-1.139) پس از ارزیابی مجدد.نتیجه گیری: مدل TG-CNN با شناسایی الگوهای در مسیرهای بیمار ، به طور بالقوه بهبود درک و مدیریت شرایط مرتبط با مفصل ران ، خطر جایگزینی مفصل ران را پیش بینی می کند.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
