| عنوان مقاله به انگلیسی | Optimizing Medication Decisions for Patients with Atrial Fibrillation through Path Development Network |
| عنوان مقاله به فارسی | بهینه سازی تصمیمات دارویی برای بیماران مبتلا به فیبریلاسیون دهلیزی از طریق شبکه توسعه مسیر |
| نویسندگان | Tian Xie |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | Atrial fibrillation (AF) is a common cardiac arrhythmia characterized by rapid and irregular contractions of the atria. It significantly elevates the risk of strokes due to slowed blood flow in the atria, especially in the left atrial appendage, which is prone to blood clot formation. Such clots can migrate into cerebral arteries, leading to ischemic stroke. To assess whether AF patients should be prescribed anticoagulants, doctors often use the CHA2DS2-VASc scoring system. However, anticoagulant use must be approached with caution as it can impact clotting functions. This study introduces a machine learning algorithm that predicts whether patients with AF should be recommended anticoagulant therapy using 12-lead ECG data. In this model, we use STOME to enhance time-series data and then process it through a Convolutional Neural Network (CNN). By incorporating a path development layer, the model achieves a specificity of 30.6% under the condition of an NPV of 1. In contrast, LSTM algorithms without path development yield a specificity of only 2.7% under the same NPV condition. |
| تعداد صفحات | 82 |
| چکیده به فارسی (ترجمه ماشینی) | فیبریلاسیون دهلیزی (AF) یک آریتمی قلبی رایج است که با انقباضات سریع و نامنظم دهلیز مشخص می شود.این امر به طور قابل توجهی خطر سکته مغزی را به دلیل کند شدن جریان خون در دهلیز ، به ویژه در زائده دهلیزی چپ ، که مستعد تشکیل لخته خون است ، بالا می برد.چنین لخته هایی می توانند به شریان های مغزی مهاجرت کنند و منجر به سکته مغزی ایسکمیک شوند.برای ارزیابی اینکه آیا بیماران AF باید ضد انعقادی تجویز شوند ، پزشکان اغلب از سیستم امتیاز دهی Cha2DS2-VASC استفاده می کنند.با این حال ، استفاده از ضد انعقادی باید با احتیاط به آن نزدیک شود زیرا می تواند عملکردهای لخته شدن را تحت تأثیر قرار دهد.این مطالعه یک الگوریتم یادگیری ماشین را معرفی می کند که پیش بینی می کند که آیا بیماران مبتلا به AF باید با استفاده از داده های ECG 12 سرب ، درمان ضد انعقادی را توصیه کنند.در این مدل ، ما از Stome برای تقویت داده های سری زمانی استفاده می کنیم و سپس آن را از طریق یک شبکه عصبی حلقوی (CNN) پردازش می کنیم.با در نظر گرفتن یک لایه توسعه مسیر ، این مدل به شرط NPV از 1. به ویژگی 30.6 ٪ دست می یابد. در مقابل ، الگوریتم های LSTM بدون توسعه مسیر ، ویژگی های تنها 2.7 ٪ را در همان شرایط NPV به دست می آورند. |
| دسته بندی موضوعات | Machine Learning,Signal Processing,یادگیری ماشین ، پردازش سیگنال ، |
| توضیحات | Submitted 18 January, 2024; originally announced January 2024. , Comments: Master’s thesis |
| توضیحات به فارسی | ارائه شده در 18 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد ، نظرات: پایان نامه کارشناسی ارشد |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|