Skip Navigation Linksلیست مقالات ترجمه شده / خرید و دانلود
1,232,000

پیش از اقدام به خرید ترجمه فارسی می توایند نسخه انگلیسی را به صورت رایگان دانلود و بررسی نمایید. متن چکیده و ترجمه آن در پایین همین صفحه قابل مشاهده است.
دانلود رایگان مقاله انگلیسی
موسسه ترجمه البرز اقدام به ترجمه مقاله " مهندسی كامپيوتر " با موضوع " پیش‌بینی نتیجه درمان افسردگی به روش کارآزمایی-متقاطع: یک رویکرد مبتنی بر یادگیری ماشین " نموده است که شما کاربر عزیز می توانید پس از دانلود رایگان مقاله انگلیسی و مطالعه ترجمه چکیده و بخشی از مقدمه مقاله، ترجمه کامل مقاله را خریداری نمایید.
عنوان ترجمه فارسی
پیش‌بینی نتیجه درمان افسردگی به روش کارآزمایی-متقاطع: یک رویکرد مبتنی بر یادگیری ماشین
نویسنده/ناشر/نام مجله :
The Lancet Psychiatry
سال انتشار
2016
کد محصول
1014834
تعداد صفحات انگليسی
8
تعداد صفحات فارسی
21
قیمت بر حسب ریال
1,232,000
نوع فایل های ضمیمه
pdf+word
حجم فایل
512 کیلو بایت
تصویر پیش فرض



چکیده

پیش‌زمینه:میزان اثربخشی داروهای ضد افسردگی بر درمان افسردگی اندک است، اما ممکن است بتوان این اثربخشی را با تطبیق بیماران با داروهای تجویزی افزایش داد. در حال حاضر، پزشکان مکانیسم‌های تجربی تایید شده‌ای برای ارزیابی نحوه‌ی پاسخ یک بیمار مبتلا به افسردگی به یک داروی ضد افسردگی خاص در اختیار ندارند. در این مطالعه، هدف ما توسعه‌ی الگوریتمی است که میزان بهبود بیماران پس از یک دوره ۱۲ هفته‌ای مصرف سیتالوپرام را ارزیابی می‌کند. روش‌ها: ما برای شناسایی متغیرهایی که برای پیش‌بینی نتیجه درمان بیشترین تاثیر را دارند از داده‌های گزارش‌ شده توسط بیماران مبتلا به افسردگی (n=4041، با 1949 تکمیل‌کننده) استفاده کرده‌ایم. این داده‌ها مربوط به کارآزمایی سطح ۱ «درمان‌های جایگزین برای تسکین افسردگی» (STAR*D؛ ClinicalTrials.gov، شماره NCT00021528) می‌باشند. از این متغیرها برای آموزش یک مدل یادگیری-ماشین جهت پیش‌بینی میزان بهبودهای بالینی استفاده شد. ما مدل توسعه داده شده را توسط یک کارآزمایی بالینی مستقل (کارآزمایی «ترکیب داروها برای افزایش پیامدهای افسردگی»،[COMEDClinicalTrials.gov، شماره NCT00590863) مربوط به  گروه درمان با اسیتالوپرام (n=151) اعتبارسنجی کردیم (اعتبارسنجی با داده‌های خارجی). یافته‌ها: از بین ۱۶۴ متغیر قابل گزارش توسط بیماران، ما 25 متغیر را شناسایی کردیم که بیشترین تاثیر را بر روی پیش‌بینی نتیجه درمان دارند و از این متغیرهای برای آموزش مدل خود استفاده کردیم. این مدل با استفاده از روش اعتبارسنجی-متقابل (اعتبارسنجی داخلی) مورد اعتبارسنجی قرار گرفت. نتایج پیش‌بینی در کارآزمایی هم‌گروهی (کوهورت) STAR*D به طور قابل توجهی دارای دقت بالایی است (64.4% [SD 3.2p<0.0001). این مدل توسط کارآزمایی COMED مربوط به گروه درمان اسیتالوپرام (N=151) اعتبارسنجی شد (دقت 59.6%، p=0.043). این مدل همچنین در کارآزمایی COMED مربوط به گروه درمان ترکیبی اسیتالوپرام-بوپروپریون دقت قابل توجهی داشته است (n=134؛ دقت 59.7%، p=0.023). اما دقت مدل برای گروه درمان ترکیبی ونلافاکسین-میرتازاپین قابل توجه نیست (n=140؛ دقت 51.4%، p=0.53). تفسیر: ساخت مدل‌های آماری به کمک داده‌ کاوی داده‌های کارآزمایی بالینی، می‌تواند به شناسایی بیمارانی که احتمال پاسخ به یک درمان دارویی مشخص را دارند کمک کند.

1-مقدمه

تنها ۱۱ الی ۳۰ درصد از بیماران مبتلا به افسردگی، با درمان اولیه (پس از ۸ الی ۱۲ ماه) به بهبودی می‌رسند. یکی از عواملی که میزان اثربخشی درمان را کاهش می‌دهد، ناتوانی در شخصی‌سازی دارودرمانی است. متخصصان بالینی، در طول یک دوره‌ی طولانی به صورت آزمون و خطا بیماران را با داروهای ضدافسردگی خاص مطابقت می‌دهند. این کار فرآیند بهبود بالینی را به تاخیر می اندازد و خطرات و هزینه های درمان را افزایش می دهد....


خدمات ترجمه تخصصی و ویرایش مقاله مهندسی كامپيوتر در موسسه البرز


این مقاله ترجمه شده مهندسی كامپيوتر در زمینه کلمات کلیدی زیر است:


machine learning

ثبت سفارش جدید