ارزيابي پارامترهاي حياتي انسان در شهرهاي هوشمند مبتني بر يادگيري ماشين

نوع: Type: رساله

مقطع: Segment: دکتری

عنوان: Title: ارزيابي پارامترهاي حياتي انسان در شهرهاي هوشمند مبتني بر يادگيري ماشين

ارائه دهنده: Provider: نجود عبدالستار - مهندسی کامپیوتر

اساتید راهنما: Supervisors: دكتر حسن ختن لو , دكتر حاتم عبدلي

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دكتر رضا محمدي , دكتر مه لقا افراسيابي , دکتر داور گيوکي

زمان و تاریخ ارائه: Time and date of presentation: ساعت 10 - 1405/4/30

مکان ارائه: Place of presentation: سمينار گروه کامپيوتر

چکیده: Abstract: متخصصان حوزه سلامت هنگام تحلیل داده‌ها و ارائه درمان با چالش‌های متعددی روبه‌رو هستند؛ از جمله تعیین پارامترهای قابل اندازه‌گیری، مشخص کردن دفعات اندازه‌گیری، مسئولیت تجهیزات پزشکی نوین در پایش وضعیت بیماران و دشواری تفسیر نتایج. تکنیک‌های یادگیری ماشین (ML) به‌عنوان مدل‌های پیش‌بینی کارآمد، به بهبود پیش‌بینی زودهنگام وضعیت بیماران، کاهش هزینه‌های پیاده‌سازی سامانه‌های مراقبت سلامت و تسهیل تفسیر نتایج کمک می‌کنند. در این مطالعه، یک مدل جدید با هدف ادغام پیش‌بینی زمانی و قابلیت تفسیر، از طریق به‌کارگیری سیستم چندعامله (Multi-Agent System)، پیشنهاد شده است تا اعتماد کادر درمان به سامانه‌های مبتنی بر هوش مصنوعی افزایش یابد. مدل پیشنهادی از هشت عامل تشکیل شده است. عامل داده (Data Agent) وظیفه توزیع داده‌های ورودی را بر عهده دارد. عامل‌های رگرسیون لجستیک (LR)، خودرمزگذار (AE) و مدل مارکوف پنهان (HMM) برای انجام پیش‌بینی زمانی با دقت بالا به کار گرفته شده‌اند. همچنین، عامل جنگل تصادفی (RF) و عامل SHAP به‌منظور افزایش دقت و ارائه تفسیر نتایج مورد استفاده قرار گرفته‌اند. سپس، عامل هماهنگ‌کننده (Coordinator Agent) تمامی مراحل منجر به تصمیم نهایی را مستندسازی کرده و با استفاده از مقدار R²، قوانین احتمال ریسک و تفسیر مبتنی بر SHAP، وضعیت نهایی بالینی را تعیین می‌کند، توصیه‌های مهم درمانی ارائه می‌دهد و در شرایط خطا یا وضعیت‌های پرخطر، اعلان لازم را به عامل ناظر (Supervisory Agent) ارسال می‌کند. در نهایت، عامل ناظر مسئول تصمیم‌گیری درباره زمان بازآموزی مدل، اصلاح عملکرد مدل در صورت بروز خطا، مدیریت سیاست‌های سیستم و ثبت تمامی تصمیمات اتخاذشده است. برای ارزیابی مدل پیشنهادی، از سه مجموعه‌داده استفاده شده است. مجموعه‌داده نخست، پایگاه داده MIMIC-II از آرشیو MIT PhysioBank است که شامل اطلاعات 1023 بیمار می‌باشد. مجموعه‌داده دوم، مجموعه‌داده EHR است که شامل اطلاعات 10000 بیمار است. مجموعه‌داده سوم نیز مجموعه‌داده بیماری‌های قلبی‌عروقی جمع‌آوری‌شده از Kaggle است که شامل نمونه‌های بیماران با هدف تشخیص بیماری‌های قلبی‌عروقی می‌باشد. مدل پیشنهادی نسبت به روش‌های سنتی، به دلیل بهره‌گیری از یک ساختار پیشرفته مبتنی بر همکاری چندین عامل و توزیع هوشمند وظایف میان آن‌ها، از انعطاف‌پذیری، قابلیت اطمینان و توانایی بالایی در پردازش مجموعه‌داده‌های بزرگ برخوردار است. همچنین، این مدل با زمان پاسخ کوتاه، قابلیت ارائه تفسیر، توصیه‌های درمانی و هشدار در شرایط پرخطر، قادر به پیش‌بینی وضعیت بالینی بیماران با دقت بالا است. نتایج نشان داد که هنگام استفاده از مجموعه‌داده MIMIC-II، مدل پیشنهادی به دقت (Accuracy) 98.4٪، دقت مثبت (Precision) 95.3٪، حساسیت (Sensitivity) 99.2٪، ویژگی (Specificity) 99.1٪، امتیاز F1 برابر با 97.1٪ و مقدار R² برابر با 98٪ دست یافت. همچنین، هنگام استفاده از مجموعه‌داده EHR، مدل به دقت 93٪، Precision برابر با 92٪، Recall برابر با 94٪، امتیاز F1 برابر با 93٪، مقدار AUC-ROC برابر با 94٪ و مقدار AUC-PR برابر با 89٪ دست یافت. علاوه بر این، نتایج تفسیرپذیری مبتنی بر SHAP نشان داد که در پیش‌بینی فشار خون دیاستولیک، ویژگی‌های سن (Age)، شناسه (ID) و AP-LO مهم‌ترین عوامل تأثیرگذار هستند؛ به‌طوری‌که مقادیر اثر آن‌ها به‌ترتیب 157-، 17.53+ و 213.03- بوده است. همچنین، در پیش‌بینی فشار خون سیستولیک، ویژگی‌های جنسیت (Gender)، قد (Height) و گلوکز (Glu) بیشترین اهمیت را داشته‌اند که مقادیر اثر آن‌ها به‌ترتیب 4.41-، 2.78+ و 2.48+ گزارش شده است.