مدل های ریاضی داده محور در پیش بینی شاخص های سلامت و عوارض دارویی

در سال های اخیر، استفاده از مدل های داده محور در تحلیل داده های بالینی و پیش بینی شاخص های سلامت بیماران رشد چشمگیری یافته است. این مقاله به بررسی دو رویکرد مکمل یادگیری ماشین می پردازد: تحلیل داده های کلینیک آرتمیس اهواز در حوزه کاهش وزن و سلامت متابولیک و مدل سازی پیش بینانه داده های سوابق سلامت الکترونیک (ehr) برای پیش بینی عوارض جانبی دارویی (ade) هدف اصلی، ارزیابی عملکرد الگوریتم های مختلف یادگیری ماشین (مانند جنگل تصادفی، شبکه عصبی مصنوعی و بردار پشتیبان) در دو محیط دادهای متفاوت با حجم های متفاوت است. هر دو رویکرد از مدل های یادگیری ماشین از جمله جنگل تصادفی (rf)شبکه عصبی مصنوعی (nn) و الگوریتم ژنتیک (ga) برای بهینه سازی پارامترها و بهبود عملکرد مدل استفاده کرده اند. نتایج نشان می دهد که در داده های محدود کلینیکی (مطالعه آرتمیس)، مدل rf قادر به دستیابی به ضریب تعیین ???????? ≈ 29.2 پیش بینی شاخص های متابولیک است. به طور موازی، در داده های وسیع ehr برای تشخیص ade مدل rf با دستیابی به auc≈0.91 برتری خود را ثابت کرده است. یافته ها حاکی از قدرت مدل های داده محور در ارتقای تصمیم سازی بالینی، پیش بینی دقیق تر و شخصی سازی مداخلات درمانی است، حتی در سناریوهایی که حجم داده ها محدود است. این بررسی نشان می دهد که انتخاب مدل مناسب (مانند rf ) می تواند عملکرد قوی در طیف وسیعی از مسائل پیش بینی سلامت ارائه دهد.