ဆီးချိုရောဂါရှိသူများတွင် ရှားပါးသော ဗိုင်းရပ်စ်နှင့် အဆုတ်ရောင်ခြည်ကူးစက်မှုများကို ရှာဖွေရန် စက်သင

မကြာသေးခင်က ကမ္ဘာ့ကျန်းမာရေးအဖွဲ့အစည်းများနှင့် ပြည်သူ့ ကျန်းမာရေးစနစ်များသည် ဝန်ဆောင်မှုစွမ်းရည် တည်ဆောက်မှုကို ဆက်လက်တိုးတက်စေကာ အများပြည်သူများ၏ ကျန်းမာရေးအတွက် ပိုမိုခိုင်မာသော အာမခံချက်များကို ပေးလာခဲ့သည်။ ကိုရိုနာဗိုင်းရပ်စ်-၁၉ ကူးစက်ရောဂါသည် ၎င်းတို့ရဲ့ ထူးခြားတဲ့ အရည်အသွေးကို ထည့်သွင်းစဉ်းစား၍ ရှုပ်ထွေးပြီး အင်မတန် စိန်ခေါ်ဖွယ်ရာ ပြဿနာတစ်ခုဖြစ်သည်။ ခေတ်ပေါ် AI နည်းပညာဖြင့် ပြုလုပ်သည့် A-priori လက္ခဏာ ဖော်ထုတ်ခြင်းအားဖြင့် ကိုရိုနာ ဗိုင်းရပ်စ် ၆ ဖြစ်စဉ်အား မြှင့်တင်နိုင်ပြီး ရလဒ်ကောင်းမွန်ခြင်း၊ အစောပိုင်း ကိုရိုနာ နှင့် ထိရောက်စွာ ရင်းမြစ် အသုံးချမှုများအပေါ် အပြုသဘော သက်ရောက်နိုင်သည်။ ကျွန်ုပ်တို့၏ ရည်မှန်းချက်မှာ AI အားဖြင့် မောင်းနှင်သော ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်မှု ထောက်ပံ့ရေးစနစ်ကို တီထွင်ရန်ဖြစ်ပြီး ရှားပါးပြီး အထူးခြားတဲ့ ကူးစက်ရောဂါများကို ခြေရာခံနိုင်ခြင်းဖြစ်သည်။ ၎င်းတွင် အရိုးသားကင်ဆာ၊ အဏုဇီဝ ပဋိသွေးကြောရောင်ရမ်းမှု၊ ဆီးချို ဦးနှောက်ပြူလမ်းကြောင်း ရောင်ရမ်းခြင်း၊ ဘီလူးမော်ကျောပြူလမ်းညွှန်ဒဏ်ရာများနှင့် အဆုတ်အဖျားတို့ပါဝင်သည့် ရောဂါပေါင်း ၆ မျိုးက ပါဝင်လျက် ရှိသည်။ ၎င်းတို့အားလုံးမျှဝေထားကြသည့် ယဉ်ကျေးမှု နှောင့်ယှက်မှုများကြောင့် မကြာခဏ ဖြစ်ပေါ်လာတတ်သောအခြေအနေများမှတစ်ဆင့် ကြုံတွေ့နေရပါသည်။ ၂၀၁၀-၂ဝ၂၃ ကာလအတွင်း မီယိုဆေးရုံက လူနာ ၁၁,၄၉၄ ဦးမှ စုဆောင်းထားသော ဒေတာကို လေ့လာခဲ့ကြသည်။ (၁၄၉၄ with rare infections, 10,000 controls) အမျိုးအစား မညီမျှမှုများကို SMOTE ဖြင့် စီမံဖြေရှင်းပြီး SHAP တန်ဖိုးဖြင့် ရှင်းလင်းချက်များ ပေးသည်။ HistGradientBoosting မော်ဒယ်ရဲ့ တိကျမှု ၉၃. ၂%၊ AUC 0. 947 (IQR 0.

942-0. 952)), သိသိသာချက် (97. 3%) နှင့် ထိခိုက်လွယ်ခြင်း (61.

9%) တို့ဟာ ဒီမော်ဒယ်၏ အလိုအလျောက် အမျိုးအစားသတ်မှတ်ထားသည့် နစ်နာနိမ့်သော ပရိုဂရမ်များအောက်တွင် ခန့်မှန်းကိန်းကို စီမံခန့်ခွဲခဲ့ကြသည်။ အဓိက ကြိုတင်ညွှန်းပြသမှုများမှာ သံပုရာဇီဝ ဆဲလ်အရေအတွက် လျော့နည်းခြင်း၊ အမျိုးသား လိင်ပြောင်းလဲမှု၊ ကိုယ်ခံအား ချို့ယွင်းမှုရဲ့ လက္ခဏာတွေ၊ အသက်အရွယ်နဲ့ ဆေးဘက်ဆိုင်ရာ မှတ်သားရေး ကိရိယာတွေနဲ့ ကိုက်ညီပြီး ရှားပါးတဲ့ ကူးစက်ရောဂါများကို အစောပိုင်း၌ ပြင်းထန်စွာ ဖြစ်ပွားစေနိုင်စွမ်း ရှိကြောင်း ဖော်ပြပေးခဲ့သည်။ အီလက်ထရောနစ်ကျန်းမာရေးမှတ်တမ်း ဒေတာနှင့် အဆင့်မြင့်စက်သင်ယူမှုမော်ဒယ်များကို အသုံးပြု၍ အရင်းအမြစ် အသုံးချမှုကို မြှင့်တင်နိုင်ပြီး ဆေးဘက်ဆိုင်ရာ ကြားဖြတ်မှုများကို အချိန်မီ ဆောင်ရွက်ပေးနိုင်ကာ နောက်ဆုံးတွင် လူနာများ၏ ကုသရေး ထိရောက်မှုကို တိုးတက်စေနိုင်ပါတယ်။ ပြင်ပအချက်အလက်တွေနဲ့ ရှေ့ပြေးစမ်းသပ်ချက်တွေက ဒီတွေ့ရှိမှုတွေကို ပိုမိုအတည်ပြုပေးလျက် လက်တွေ့ကမ္ဘာမှာ အကောင်အထည်ဖော်ရန်ကူညီပါတယ်။