Forwarded from آتی پژوهش امیرکبیر
دوره الگوریتم های خوشه بندی در یادگیری ماشین
✅به همراه مطالعه موردی
✅رایگان ویژه تمام شرکت کنندگان دوره های پایتون که بخش یادگیری ماشین را در دوره شأن به پایان رساندند.
✅زمان برگزاری: امشب (دوشنبه 11 بهمن ) ساعت 21 تا 23
✅جهت شرکت در دوره به پشتیبان دوره تان پیام ارسال بفرمایید
✅دوره آنلاین هست و ضبط نمی شود.
✅ظرفیت محدود
✅به همراه مطالعه موردی
✅رایگان ویژه تمام شرکت کنندگان دوره های پایتون که بخش یادگیری ماشین را در دوره شأن به پایان رساندند.
✅زمان برگزاری: امشب (دوشنبه 11 بهمن ) ساعت 21 تا 23
✅جهت شرکت در دوره به پشتیبان دوره تان پیام ارسال بفرمایید
✅دوره آنلاین هست و ضبط نمی شود.
✅ظرفیت محدود
⭕️ طراحی یک مدل یادگیری ماشین که توانایی بیمار برای زنده ماندن از COVID-19 را پیش‌بینی می‌کند!
محققان دانشگاه Universitätsmedizin برلین سطوح ۳۲۱ پروتئین را در نمونه‌های خونی که در ۳۴۹ نقطه زمانی از ۵۰ بیمار بدخیم کووید-۱۹ در دو مرکز مراقبت‌های بهداشتی مستقل در آلمان و اتریش تحت درمان بودند، بررسی کردند. در نهایت یک رویکرد یادگیری ماشین برای یافتن ارتباط بین پروتئین های اندازه‌گیری شده و بقای بیمار استفاده شد.
۱۵ نفر از بیماران گروه فوت کردند. میانگین زمان از بستری شدن تا مرگ ۲۸ روز بود. برای بیمارانی که زنده مانده بودند، میانگین زمان بستری در بیمارستان ۶۳ روز بود. محققان ۱۴ پروتئین را مشخص کردند که با گذشت زمان، برای بیمارانی که زنده می‌مانند در مقایسه با بیمارانی که در مراقبت‌های ویژه زنده نمی‌مانند، در جهت عکس تغییر می‌کنند.
سپس این تیم یک مدل یادگیری ماشین را برای پیش‌بینی بقا براساس اندازه‌گیری پروتئین‌های مربوطه در یک نقطه زمانی واحد ایجاد کردند و این مدل را روی یک گروه متشکل از ۲۴ بیمار مبتلا به کووید-۱۹ آزمایش کردند. این مدل قدرت پیش‌بینی بالایی را در این گروه نشان داد، و به درستی نتیجه را برای ۱۸ بیمار از ۱۹ بیمار زنده‌مانده و ۵ نفر از ۵ بیمار فوت کرده پیش‌بینی کرد.
محققان نتیجه می‌گیرند که آزمایش‌های پروتئین خون، اگر در گروه‌های بزرگ‌تر تأیید شوند، ممکن است هم در شناسایی بیماران با بالاترین خطر مرگ و میر مفید باشد و هم برای آزمایش اینکه آیا یک درمان معین مسیر پیش‌بینی شده یک بیمار را تغییر می‌دهد یا خیر.
این تحقیق در مجله PLOS Digital Health منتشر شده است.
@machine_learning2022
محققان دانشگاه Universitätsmedizin برلین سطوح ۳۲۱ پروتئین را در نمونه‌های خونی که در ۳۴۹ نقطه زمانی از ۵۰ بیمار بدخیم کووید-۱۹ در دو مرکز مراقبت‌های بهداشتی مستقل در آلمان و اتریش تحت درمان بودند، بررسی کردند. در نهایت یک رویکرد یادگیری ماشین برای یافتن ارتباط بین پروتئین های اندازه‌گیری شده و بقای بیمار استفاده شد.
۱۵ نفر از بیماران گروه فوت کردند. میانگین زمان از بستری شدن تا مرگ ۲۸ روز بود. برای بیمارانی که زنده مانده بودند، میانگین زمان بستری در بیمارستان ۶۳ روز بود. محققان ۱۴ پروتئین را مشخص کردند که با گذشت زمان، برای بیمارانی که زنده می‌مانند در مقایسه با بیمارانی که در مراقبت‌های ویژه زنده نمی‌مانند، در جهت عکس تغییر می‌کنند.
سپس این تیم یک مدل یادگیری ماشین را برای پیش‌بینی بقا براساس اندازه‌گیری پروتئین‌های مربوطه در یک نقطه زمانی واحد ایجاد کردند و این مدل را روی یک گروه متشکل از ۲۴ بیمار مبتلا به کووید-۱۹ آزمایش کردند. این مدل قدرت پیش‌بینی بالایی را در این گروه نشان داد، و به درستی نتیجه را برای ۱۸ بیمار از ۱۹ بیمار زنده‌مانده و ۵ نفر از ۵ بیمار فوت کرده پیش‌بینی کرد.
محققان نتیجه می‌گیرند که آزمایش‌های پروتئین خون، اگر در گروه‌های بزرگ‌تر تأیید شوند، ممکن است هم در شناسایی بیماران با بالاترین خطر مرگ و میر مفید باشد و هم برای آزمایش اینکه آیا یک درمان معین مسیر پیش‌بینی شده یک بیمار را تغییر می‌دهد یا خیر.
این تحقیق در مجله PLOS Digital Health منتشر شده است.
@machine_learning2022