دانلود پاورپوینت مقاله کاربرد یادگیری ماشین و هوش مصنوعی در پزشکی

معرفی فناوری اطلاعات در حوزه مراقبت های سلامت، پیشرفت هایی را در مورد جنبه های مختلف، از دیجیتالی کردن داده های بیمار در پرونده الکترونیک سلامت (EHR) گرفته تا ارائه تصمیم گیری بالینی ارائه کرده است. در این پاورپوینت به بررسی کاربردهای یادگیری ماشین و هوش مصنوعی در حوزه پزشکی پرداخته شده است.

این پاورپوینت در 24 اسلاید تهیه شده و در ادامه نیز تصویر مربوط به اسلاید شماره 3 آن قرار داده شده است:

در نتیجه روند دیجیتالی شدن سیستم مراقبت های سلامت در سراسر جهان، داده های سلامت تولید شده در سال 2011، 150 اگزابایت برآورد شده است و برآورد شده است که در سال 2020 دارای 2314 اگزابایت داده جدید باشد. با این حال، پردازش کارآمد این داده ها به طوری که بتوان اطلاعات مفید و دانش جدید را استخراج کرد، یک چالش واقعی باقی می ماند. در واقع، حجم روزافزون داده های جمع آوری شده، توانایی سیستم های تحلیل داده های فعلی را محدود می کند. در نتیجه سیستم های مراقبت سلامت بار مسئولیت فزاینده ای را حمل می کند. به این امر سندرم «اغنای داده /فقر اطلاعاتی(DRIP)» می گویند. به این معنی است که ما بیشتر از آن چیزی که بتوانیم تجزیه و تحلیل کنیم، داده ها را جمع آوری می کنیم. خوشبختانه، در نهایت با توجه به آخرین پیشرفت ها در زمینه تجزیه و تحلیل داده ها و سیستم های تصمیم گیری، غلبه بر این چالش امری مکان پذیر به نظر می رسد.

در ادامه، تصویر مربوط به اسلاید شماره 19 این پاورپوینت قرار داده شده است:

داده های پزشکی جمع آوری شده را می توان با ابزارهای مختلف و در سطوح مختلف تجزیه و تحلیل کرد. سطح اول، کسب داده های فردی بیمار است که در آن سیستم های هشدار معمولی، مانند مانیتورهای الکتروکاردیوگرافی قلب (ECG)، می توانند در زمانی که مقادیر داده خارج از محدوده طبیعی قرار دارد، موجب افزایش توجه شوند. در سطح دوم، منابع داده های مختلف جمع آوری، ترکیب و پردازش می شوند، به گونه ای که نتیجه می تواند به عنوان اطلاعات ورودی برای سیستم دیگری استفاده شود و بر اساس مجموعه ای از قوانین، موجب ارائه تشخیص افتراقی و نتیجه گیری های پیشنهادی شود. این سیستم ها با حرکت به سوی سلسله مراتب درختی شکل، بواسطه داده های ارائه شده، می توانند به دستیابی به توضیح قابل قبول از علائم وارد شده کمک کنند. این سیستم ‌های مبتنی بر قانون، «سیستم‌ های خبره» نامیده می‌ شوند. سیستم های خبره به تجربه یاد می گیرند که از توانایی های تصمیم گیری متخصصان انسانی تقلید کنند. این سیستم ‌ها اغلب قادرند به سؤالاتی که با «چه» شروع می‌ شوند، پاسخ دهند نه سوالاتی که با «چگونه» آغاز می شوند و به طور همزمان دلیل پشت آن تصمیمات را توضیح می دهند. یکی دیگر از ویژگی ‌های اساسی این سیستم‌ ها این است که تجربیات جدید را یکپارچه می‌کنند و از این رو پایگاه دانش خود را غنی و تقویت می‌کنند. این امر به نوبه خود توانایی تصمیم گیری آنها را بهبود می بخشد.