ترجمه فارسی مقاله مسیرهای بیمار از قبل آموزش دیده برای پیش بینی رویدادهای دارویی نامطلوب با استفاده از پرونده های سلامت الکترونیکی مبتنی بر مدل داده های رایج
| عنوان مقاله به انگلیسی | Pretrained Patient Trajectories for Adverse Drug Event Prediction Using Common Data Model-based Electronic Health Records |
| عنوان مقاله به فارسی | مسیرهای بیمار از قبل آموزش دیده برای پیش بینی رویدادهای دارویی نامطلوب با استفاده از پرونده های سلامت الکترونیکی مبتنی بر مدل داده های رایج |
| نویسندگان | Junmo Kim, Joo Seong Kim, Ji-Hyang Lee, Min-Gyu Kim, Taehyun Kim, Chaeeun Cho, Rae Woong Park, Kwangsoo Kim |
| فرمت مقاله انگلیسی | |
| تعداد صفحات | 34 |
| لینک دانلود رایگان مقاله انگلیسی | دانلود مقاله |
| دسته بندی موضوعات | Health Informatics انفورماتیک سلامتی |
📚 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 صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
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
Pretraining electronic health record (EHR) data through language models by treating patient trajectories as natural language sentences has improved various medical tasks. However, EHR pretraining models have never been utilized in adverse drug event (ADE) prediction. Here, we propose a novel pretraining scheme for common data model (CDM) based EHR data, named CDM-BERT. We utilized diagnosis, prescription, measurement, and procedure domains from observational medical outcomes partnership (OMOP)-CDM. We newly adopted domain embedding (DE) to simplify pretraining procedure and to improve comprehension of medical context. ADE prediction was selected as a finetuning task. For drug groups, we included nonsteroidal anti-inflammatory drugs (NSAID), anticoagulants (AC), glucocorticoids (GC), and chemotherapy (Chemo). For corresponding adverse events, we selected peptic ulcer (PU), intracranial hemorrhage (ICH), osteoporosis (OP), and neutropenic fever (NF), respectively. CDM-BERT was validated by internal and external datasets with 510,879 and 419,505 adult inpatients. CDM-BERT outperformed all the other baselines in all cohorts, demonstrating the effectiveness of DE (area under the receiver operating characteristic curve (AUROC) of 0.977, 0.908, 0.980, 0.989 for NSAID-PU, AC-ICH, GC-OP, Chemo-NF cohorts in internal validation, and 0.967, 0.960, 0.972, 0.959 in external validation, respectively). We also identified important features for each cohort, and several prior studies and clinical knowledge suggested the results. CDM-BERT has demonstrated its potential as a foundation model through its prediction performance, interpretability, and compatibility.
چکیده به فارسی (ترجمه ماشینی)
داده های ثبت سلامت الکترونیکی (EHR) از طریق مدل های زبان با درمان مسیرهای بیمار به عنوان جملات زبان طبیعی ، کارهای مختلف پزشکی را بهبود بخشیده است.با این حال ، از مدل های پیش بینی EHR هرگز در پیش بینی وقوع داروهای جانبی (ADE) استفاده نشده است.در اینجا ، ما یک طرح پیش تنظیم جدید برای داده های EHR مبتنی بر مدل داده های مشترک (CDM) ، به نام CDM-Bert پیشنهاد می کنیم.ما از حوزه های تشخیص ، تجویز ، اندازه گیری و رویه از مشارکت نتایج پزشکی مشاهده شده (OMOP) -CDM استفاده کردیم.ما به تازگی اتخاذ شده دامنه (DE) برای ساده کردن روش پیش تنظیم و بهبود درک زمینه پزشکی.پیش بینی ADE به عنوان یک کار finetuning انتخاب شد.برای گروه های دارویی ، ما داروهای ضد التهابی غیر استروئیدی (NSAID) ، ضد انعقادی (AC) ، گلوکوکورتیکوئیدها (GC) و شیمی درمانی (شیمی درمانی) را شامل می شویم.برای عوارض جانبی مربوطه ، ما به ترتیب زخم معده (PU) ، خونریزی داخل جمجمه (ICH) ، پوکی استخوان (OP) و تب نوتروپنی (NF) را انتخاب کردیم.CDM-BERT توسط مجموعه داده های داخلی و خارجی با 510،879 و 419،505 بستری بزرگسالان تأیید شد.CDM-Bert از تمام خطوط دیگر در کلیه گروهها بهتر عمل کرد و نشان دهنده اثربخشی DE (منطقه زیر منحنی مشخصه عملکرد گیرنده (AUROC) 0.977 ، 0.908 ، 0.980 ، 0.989 برای NSAID-PU ، AC-ICH ، GC-OP ، Chemooگروههای -NF در اعتبار داخلی و 0.967 ، 0.960 ، 0.972 ، 0.959 در اعتبار سنجی خارجی).ما همچنین ویژگی های مهمی را برای هر گروه شناسایی کردیم ، و چندین مطالعه قبلی و دانش بالینی نتایج را پیشنهاد کردیم.CDM-BERT پتانسیل خود را به عنوان یک مدل پایه از طریق عملکرد پیش بینی ، تفسیر و سازگاری خود نشان داده است.📚 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 صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
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
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.