(2022). تبین مرگ و میر ناشی از COVID-19 با استفاده از شبکه عصبی مصنوعی (ANN) بر اساس عوامل خطر زمینه ای و آزمایشگاهی در ایلام ، ایران. , 77(3), 1327-1332. doi: 10.22092/ari.2021.355438.1684
. "تبین مرگ و میر ناشی از COVID-19 با استفاده از شبکه عصبی مصنوعی (ANN) بر اساس عوامل خطر زمینه ای و آزمایشگاهی در ایلام ، ایران". , 77, 3, 2022, 1327-1332. doi: 10.22092/ari.2021.355438.1684
(2022). 'تبین مرگ و میر ناشی از COVID-19 با استفاده از شبکه عصبی مصنوعی (ANN) بر اساس عوامل خطر زمینه ای و آزمایشگاهی در ایلام ، ایران', , 77(3), pp. 1327-1332. doi: 10.22092/ari.2021.355438.1684
تبین مرگ و میر ناشی از COVID-19 با استفاده از شبکه عصبی مصنوعی (ANN) بر اساس عوامل خطر زمینه ای و آزمایشگاهی در ایلام ، ایران. , 2022; 77(3): 1327-1332. doi: 10.22092/ari.2021.355438.1684

تبین مرگ و میر ناشی از COVID-19 با استفاده از شبکه عصبی مصنوعی (ANN) بر اساس عوامل خطر زمینه ای و آزمایشگاهی در ایلام ، ایران

Archives of Razi Institute
Article 52, Volume 77, Issue 3, January and February 0, Pages 1327-1332    PDF (522.96 K)
Document Type: مقالات کوتاه
DOI: 10.22092/ari.2021.355438.1684
Abstract
گسترش موج های جدید شیوع ویروس کرونا ، میزان مرگ و میر بالا ، و چالش های وقت گیر و متعدد برای دستیابی به ایمنی جمعی از طریق واکسیناسیون و نیاز به اولویت بندی تخصیص واکسن ها در جمعیت عمومی ، منجر به شناسایی عوامل خطر مرتبط با مرگ و میر در بیماران از طریق استراتژی های بدیع و مدل های آماری جدید شده است. در این مطالعه ، از مدل شبکه عصبی مصنوعی (ANN) برای پیش بینی عوارض در بیماران مبتلا به COVID-19 استفاده شد. داده های 2206 بیمار از برنامه ثبت ریجستری بیمارستان شهید مصطفی خمینی ایلام ، استخراج شد و به طور تصادفی در دو گروه آموزشی (1544) و آزمایش (662) مورد تجزیه و تحلیل قرار گرفت. با استفاده از مدل های مختلف یک شبکه عصبی سه لایه ، 12 متغیر می توانند بیش از 77 درصد از واریانس مرگ و میر در بیماران COVID-19 را توضیح دهند. این یافته ها می تواند برای مدیریت بهتر مرگ و میر ، اولویت بندی واکسیناسیون ، آموزش عمومی و قرنطینه و اختصاص تخت های مراقبت های ویژه برای کاهش مرگ و میر ناشی از COVID-19 مورد استفاده قرار گیرد. این یافته ها همچنین قدرت تبیین بهتر مدلهای ANN را برای پیش بینی مرگ و میر بیماران تأیید کرد
Keywords
شبکه های عصبی مصنوعی; COVID-19((کروناویروس); پرسپترون چند لایه; ایران
References
  1. D’Amico F, Baumgart DC, Danese S, Peyrin-Biroulet L. Diarrhea during COVID-19 infection: pathogenesis, epidemiology, prevention and management. Clin Gastroenterol Hepatol. 2020.
  2. Brown RJ, Head MG. Monitoring investments in coronavirus research and development. Lancet Microbe. 2020;1(2):e61.
  3. Calina D, Sarkar C, Arsene AL, Salehi B, Docea AO, Mondal M, et al. Recent advances, approaches and challenges in targeting pathways for potential COVID-19 vaccines development. Immunol Res. 2020:1-10.
  4. Forni G, Mantovani A. COVID-19 vaccines: where we stand and challenges ahead. Cell Death Differ. 2021;28(2):626-39.
  5. Wouters OJ, Shadlen KC, Salcher-Konrad M, Pollard AJ, Larson HJ, Teerawattananon Y, et al. Challenges in ensuring global access to COVID-19 vaccines: production, affordability, allocation, and deployment. Lancet. 2021;397(10278):1023-34.
  6. Mullard A. How COVID vaccines are being divvied up around the world. Nature. 2020.
  7. Mirzaee S, Jalalinejad R, George B. Country of Origin, Covid-19 Vaccine and the Future of Travel: a Preliminary Study in Iran. Anais Brasileiros de Estudos Turísticos-ABET. 2021.
  8. Nourmohammadi H, Azami G, Taghinezhad F, Shafiei E. Risk and benefit of antiplatelet therapy in Covid-19 patients with cancer and thrombocytopenia: letter to the editor. Cancer Invest. 2021;39(3):217-8.
  1. Mills MC, Salisbury D. The challenges of distributing COVID-19 vaccinations. EClinicalMedicine. 2021;31.
  2. Nademi A, Shafiei E, Valizadeh R, Sciences B. Forecasting Psychological Symptoms in Mild Traumatic Brain Injury: A Nonparametric Approach. Iran J Psychiatry Behav Sci. 2019;13(3).
  3. Shafiei E, Fakharian E, Omidi A, Akbari H, Delpisheh A, Nademi A, et al. Comparison of artificial neural network and logistic regression models for prediction of psychological symptom six months after mild traumatic brain injury. Iran J Psychiatry Behav Sci. 2017;11(3).
  4. Niazkar HR, Niazkar M. Application of artificial neural networks to predict the COVID-19 outbreak. Glob Health Res Policy. 2020;5(1):50.
  5. Li Y, Xia L. Coronavirus disease 2019 (COVID-19): role of chest CT in diagnosis and management. Am J Roentgenol. 2020;214(6):1280-6.
  6. Levi M, Thachil J, Iba T, Levy JH. Coagulation abnormalities and thrombosis in patients with COVID-19. Lancet Haematol. 2020;7(6):e438-e40.
  7. Abdulaal A, Patel A, Charani E, Denny S, Mughal N, Moore L. Prognostic modeling of COVID-19 using artificial intelligence in the United Kingdom: model development and validation. J Med Internet Res. 2020;22(8):e20259.
  8. Fei Y, Hu J, Gao K, Tu J, Li W-q, Wang W. Predicting risk for portal vein thrombosis in acute pancreatitis patients: A comparison of radical basis function artificial neural network and logistic regression models. J Crit Care. 2017;39:115-23.
  9. Liu Q, Shan M, Zhu H, Cao J, Chen R. Noninvasive ventilation with a helmet in patients with acute respiratory failure caused by chest trauma: a randomized controlled trial. Sci Rep. 2020;10(1):21489.
  10. Zhang Z, Beck MW, Winkler DA, Huang B, Sibanda W, Goyal H. Opening the black box of neural networks: methods for interpreting neural network models in clinical applications. Ann Transl Med. 2018;6(11).
  11. Paul PK, Chatterjee D, Ghosh M. Neural Networks: Emphasizing its Application in the World of Health and Medical Sciences. J Adv Med. 2012;1(2):93-9.
  12. Moftakhar L, Mozhgan S, Safe MS. Exponentially increasing trend of infected patients with COVID-19 in Iran: a comparison of neural network and ARIMA forecasting models. Iran J Public Health. 2020.
  13. Zheng M, Wu C, Yang K, Yang Y, Liu Y, Gao S, et al. Novel selective hexokinase 2 inhibitor Benitrobenrazide blocks cancer cells growth by targeting glycolysis. Pharmacol Res. 2020:105367.
  14. Sepandi M, Taghdir M, Alimohamadi Y, Afrashteh S, Hosamirudsari H. Factors associated with mortality in COVID-19 patients: a systematic review and meta-analysis. Iran J Public Health 2020;49(7):1211.
  15. Zhang X-B, Hu L, Ming Q, Wei X-J, Zhang Z-Y, Chen L-D, et al. Risk factors for mortality of coronavirus disease-2019 (COVID-19) patients in two centers of Hubei province, China: A retrospective analysis. PloS One 2021;16(1):0246030.
  16. Albitar O, Ballouze R, Ooi JP, Ghadzi SMS, practice c. Risk factors for mortality among COVID-19 patients. Diabetes Res Clin Pract. 2020;166:108293.
  17. Jordan RE, Adab P, Cheng K. Covid-19: risk factors for severe disease and death. Br Med J. 2020.
  18. Leung C. Clinical features of deaths in the novel coronavirus epidemic in China. Rev Med Virol. 2020;30(3):e2103.
  19. Canning D, Karra M, Dayalu R, Guo M, Bloom DE. The association between age, COVID-19 symptoms, and social distancing behavior in the United States. MedRxiv. 2020.
  20. Roncon L, Zuin M, Rigatelli G, Zuliani G. Diabetic patients with COVID-19 infection are at higher risk of ICU admission and poor short-term outcome. J Clin Virol. 2020;127:104354.
  21. Badawi A, Ryoo SG. Prevalence of comorbidities in the Middle East respiratory syndrome coronavirus (MERS-CoV): a systematic review and meta-analysis. Int J Infect Dis. 2016;49:129-33.
  22. Patel SK, Velkoska E, Freeman M, Wai B, Lancefield TF, Burrell LM. From gene to protein—experimental and clinical studies of ACE2 in blood pressure control and arterial hypertension. Front Physiol. 2014;5:227.
  23. Patel SK, Velkoska E, Burrell LM. Emerging markers in cardiovascular disease: where does angiotensin‐converting enzyme 2 fit in? Clin Exp Pharmacol Physiol. 2013;40(8):551-9.
  24. Ryan JJ, Melendres-Groves L, Zamanian RT, Oudiz RJ, Chakinala M, Rosenzweig EB, et al. Care of patients with pulmonary arterial hypertension during the coronavirus (COVID-19) pandemic. Pulm Circ. 2020;10(2).
Statistics
Article View: 1,920
PDF Download: 3,010


counter
Journal management system. designed by sinaweb