امروزه در دانش پزشکی جمع‌آوری داده‌های بیماریهای مختلف اهمیت فراوانی یافته است. پیشرفت‌های دهه اخیر در ارتباط با فناوری‌های اطلاعات و نرم‌افزار کمک شایانی به بررسی‌های همه‌جانبه و کامل‌تر از داده‌های حجیم تولید شده به عمل آورده و توانسته با استفاده از علوم گوناگون مثل آمار، کامپیوتر، یادگیری ماشینی و….. به جستجوی دانش نهفته در داده‌ها پرداخته وعلم نوینی را به نام داده کاوی به وجود آورد.
امروزه در حوزه پزشکی ، جمع آوری داده ها در مورد بیماری های مختلف از اهمیت زیادی برخوردار است. حجم داده های جمع آوری شده بسیار بالاست و برای اینکه بتوان از بین این حجم انبود داده ها الگو ها و نتایج مورد نظر را بدست آورد، باید از تکنیک های داده کاوی استفاده کرد.در ادامه به بیان مثال هایی از کاربر داده کاوی در حوزه علوم پزشکی می پردازیم.
داده کاوی و پیشگویی عوامل بیماری ها
استفاده از الگوریتم ها و تکنیکهای داده کاوی می تواند الگوها و نتایجی را برای محققین فراهم کند که عوامل ابتلا به بیماری های مختلف را نشان دهد و بر اساس آن نتایج ، پزشکان و دست اندر کاران علوم پزشکی در پیشگیری آن بیماری ها اقدام کنند.
تفاوت داده کاوی با روشهای آماری در این است که در علم آمار ما به دنبال اثبات فرضیه مورد نظر هستیم اما در داده کاوی بر خلاف علم آمار به دنبال پیشگویی هستند نه کشف یا اثبات. بدین معنا که با استفاده از روش های داده کاوی به دنبال تایید آنچه از قبل وجود دارد نیستند بلکه به دنبال مشخص کردن الگوهای از قبل شناخته نشده هستند. همچنین در این کاربرد به دنبال این نیستند که تعیین کنند مثلا چه کسانی دارای بیماری قلبی هستند، بلکه به دنبال این مورد هستند که چه عواملی ممکن است در بروز این بیماری نقش بیشتری داشته باشند.
کاربرد داده کاوی در نظام سلامت
داده کاوی مبحث گسترده‌ای است که در صنایع بی شمار و به طور گسترده‌ای مورد استفاده قرار گرفته است. در مراقبت‌های بهداشتی و درمانی، امروزه داده کاوی به صورت ویژه‌ای رواج یافته است. برنامه‌های داده کاوی میتواند به طور باورنکردنی برای همه طرف‌هایی که در صنعت مراقبت‌های بهداشتی و درمانی شرکت می‌کنند، سودمند باشد. به عنوان مثال، داده کاوی میتواند به صنعت بهداشت و درمان در تشخیص سوء استفاده از کلاهبرداری، مدیریت ارتباط با مشتری، مراقبت موثر از بیمار و ارائه بهترین روش‌ها، خدمات مقرون به صرفه درمانی کمک نماید. مقادیر زیادی از اطلاعات و داده‌ها توسط خدمات بهداشتی و درمانی تولید شده که پردازش و تجزیه و تحلیل این اطلاعات به روشهای معمولی سخت و دشوار می‌باشد.داده کاوی چارچوب و تکنیک‌هایی را برای تبدیل داده‌های عظیم (Big Data) به اطلاعات مفید برای اهداف تصمیم‌گیری مبتنی بر داده‌ها در زمینه بررسی اثربخشی درمان، مدیریت بهداشت و درمان، مدیریت ارتباط با مشتری و کلاهبرداری فراهم می‌آورد.
برنامه‌های داده کاوی می‌توانند برای ارزیابی اثربخشی درمان‌های پزشکی مورد استفاده قرار گیرند و این امکان را فراهم آورده‌اند که با کمک ابزارهای گوناگون به تجزیه و تحلیل داده‌ها پرداخته و مشخص گردد که کدام دوره از فعالیت با مقایسه و تمایز دلایل، علائم و دوره درمانی مؤثری را در بر داشته است. همچنین به کمک این برنامه‌ها میتوان به شناسایی و ردیابی وضعیت بیماری مزمن و بیماران بخش مراقبت‌های ویژه، کاهش تعداد پذیرش در بیمارستان و پشتیبانی از مدیریت مراقبت‌های بهداشتی و درمانی پرداخت.
داده کاوی به منظور تجزیه و تحلیل مجموعه‌های عظیمی از داده‌ها و آمارها برای جستجوی الگوهایی استفاده میشود که ممکن است حمله بیوتروریسم را نیز نشان دهد. تعامل مشتری و مدیریت برای دستیابی به اهداف تجاری برای هر سازمان بسیار حائز اهمیت است. مدیریت ارتباط با مشتری رویکرد اصلی برای مدیریت تعامل بین سازمان‌های تجاری با مشتریان است که این مورد در زمینه مراقبت‌های درمانی و بهداشتی نیز اهمیت زیادی دارد. تعامل مشتری ممکن است از طریق مراکز تماس، بخش صدور صورتحساب و تنظیمات مراقبت‌های سرپایی اتفاق بیافتد. برنامه‌های داده کاوی می‌توانند بر روی نسخه‌های نامناسب یا غلط و کلاهبرداری بیمه‌ای و ادعاهای پزشکی متمرکز شوند.
مزایای استفاده از داده کاوی در صنعت بهداشت و درمان
داده کاوی در بهداشت و درمان دارای مزایای متعددی می‌باشد. چارچوب اطلاعات و داده‌ها، گردش کار موجود در موسسات مراقبت‌های درمانی و بهداشتی را ساده و خودکار میکند. ادغام داده کاوی در چارچوب داده‌ها، دغدغه‌های تصمیم‌گیری موسسات بهداشتی و درمانی را کاهش داده و دانش پزشکی ارزشمند جدیدی را فراهم می‌آورد و همچنین مدل‌های پیش بینی کننده بهترین پشتیبانی و دانش اطلاعاتی را به کارمندان مراقبت‌های بهداشتی و درمانی ارائه می‌نمایند.
هدف از پیش بینی داده کاوی در پزشکی ایجاد یک مدل پیش بینی واضح و قابل اعتماد است که از پزشکان برای بهبود روند تشخیص و برنامه‌ریزی درمان پشتیبانی میکند. کاربرد ضروری داده کاوی برای پردازش سیگنال‌های زیست پزشکی با دستورالعمل‌ها و واکنش‌های داخلی برای تقویت شرایط در هر زمانی است که کمبود آگاهی در مورد ارتباط بین زیرسیستم‌های مختلف وجود داشته باشد و یا در هنگامی که روشهای استاندارد تجزیه و تحلیل ناکارآمد هستند.
چالش‌های داده کاوی مراقبت‌های بهداشتی و درمانی
داده کاوی در مراقبت‌های بهداشتی و درمانی دچار چالش‌های متعددی نیز است. یکی از بزرگترین مسائل مربوط به داده کاوی این است که اطلاعات پزشکی خام بسیار عظیم و ناهمگن می‌باشد که از منابع مختلفی نظیر مکالمه با بیماران، اطلاعات اخذ شده از پزشکان و نتایج آزمایشگاهی جمع می‌گردد. همه این مولفه‌ها می‌توانند تاثیر بسزایی در تشخیص و معالجه بیماران داشته باشند.داده‌های ناقص، نادرست و متناقض مانند بخش‌هایی از اطلاعات ذخیره شده در قالب‌های مختلف از منابع داده‌های مختلف، مانع قابل توجهی برای موفقیت در داده کاوی هستند.چالش دیگر این است که همه تشخیص‌ها و معالجه‌ها در مراقبت‌های بهداشتی و درمانی درست نبوده و دارای مقداری خطا می‌باشد. در اینجا تجزیه و تحلیل ویژگی و حساسیت برای اندازه گیری این خطاها در نظر گرفته شده است.
در موضوع ارزیابی یکپارچگی دانش، دو چالش اساسی وجود دارد:
- اول اینکه چگونه میتوان الگوریتم‌های موثری برای تمایز بین محتوای دو نسخه (بعد و قبل) ایجاد کرد که این چالش نیازمند بهبود الگوریتم‌های موثر و ساختار داده‌ها برای ارزیابی یکپارچگی دانش در مجموعه داده‌ها می‌باشد.
- دوم اینکه چگونه میتوان الگوریتم‌هایی را برای ارزیابی تاثیر تغییرات داده‌های خاص بر اهمیت آماری الگوهای فردی ایجاد کرد که با کمک طبقات اصلی الگوریتم داده کاوی جمع آوری شده است.
الگوریتم‌هایی که تاثیر تغییرات مقادیر داده‌ها بر اهمیت آماری کشف شده الگوها را اندازه گیری می‌کنند.
داده کاوی به دلیل رشد نمایی تعداد سوابق الکترونیکی بهداشت، پتانسیل باورنکردنی برای ارائه بهتر خدمات درمانی ارائه نموده است. پیش از این پزشکان اطلاعات بیمار را به صورت کاغذی نگهداری می‌کردند که این امر کاری بسیار دشوار بود. دیجیتالی شدن و نوآوری موجود در تکنیکهای جدید حجم کاری انسان‌ها را کاهش داده و داده‌ها را به راحتی جهت ارزیابی در اختیار آنها قرار خواهد داد. به عنوان مثال، کامپیوتر حجم انبوهی از اطلاعات بیماران را با دقت نگه داشته و باعث بهبود کیفیت کل سیستم مدیریت داده‌ها می‌گردد. با این وجود، مهمترین چالش پیشروی ارائه دهندگان خدمات مراقبت‌های بهداشتی و درمانی نحوه فیلتر کردن همه داده‌ها می‌باشد که داده کاوی این فرآیند را برای آنها به آسانی میسر می‌‌سازد.
داده کاوی ویژگی های بالینی بیماران و تشخیص خودکار
کاربرد دیگری که داده کاوی در علم پزشکی دارد این است که با بکارگیری الگوریتم های دسته بندی (classification) میتواند تشخیص دهد که یک شخص مورد نظر با شرایط خاص ممکن است چه بیماریی داشته باشد. البته باید از روشهایی استفاده شود که از درصد اطمینان بالایی برخوردار باشند.
داده کاوی ویژگی های پزشکی بیماران با هدف تشخیص خودکار
داده کاوی به معنای استخراج اطلاعات نهفته، بازشناخت روابط و الگوهای پنهان و به طور کلی کشف دانش سودمند از داده با حجم بالا است. استخراج قواعد طبقه بندی نوعی داده کاوی است که در آن دانشی به شکل چندین قانون ساده و فهم پذیر از داده کشف شده و در آینده برای تصمیم گیری و پیشگویی به کار برده می شود.
از مهمترین زمینـه هـای کـاربـردی استخـراج قـواعـد طبقـه بنـدی در حیطـه علـم پـزشکی است. با به کارگیری الگوریتم های داده کاو می توان سیستم های هوشمندی ابداع کرد که به شکل خودکار و بدون نیاز به نظارت پزشک قادر به فهم و تفسیر ویژگی های پزشکی افراد باشند یا اطلاعات مفیدی را اکتشاف کنند که متخصصان را در قضاوت صحیح یاری رساند. در ادبیات داده کاوی تا کنون مجموعه بسیار متنوعی از روش ها ارائه شده است که هر یک دارای نقاط ضعف و قدرت به خصوصی بوده که عملکرد آن بسته به نوع داده و شرایط حاکم بر مساله متفاوت است، بنابر این نمی تواند به تنهایی بهترین روش تلقی شود.
در این روش بررسی، پیاده سازی و استفاده ترکیبی از الگوریتم ها و راهکار های گوناگون داده کاوی و ارائه روش های جدید و کارآمد تر به منظور پیش بینی و طبقه بندی پرداخته می شود. از روش های کلاسیک شناخته شده جهت کشف قواعد طبقه بنـدی مبتنـی بـر الگـوریتـم هـای تکاملی و ابزار های جستجو قدرتمند GA، PSO و IWOاستفاده می شود که به کارگیری الگوریتم بهینه سازی علف هرز (IWO) به منظور داده کاوی برای نخستین بار نوآوری این روش محسوب می شود. همچنین یک روش جدید و ابتکاری تلفیقی جهت استخراج قواعد طبقه بندی از شبکه عصبی RBFآموزش یـافتـه بـه کمـک الگـوریتم کلنی مورچه گان پیشنهاد شده است. در اعمال به چندین مجموعه داده مرجع برتری عملکرد کلیه الگوریتم های پیشنهادی در کشف اطلاعات مفید و استخراج قواعد طبقه بندی دقیق و تفسیر پذیر، نسبت به روش های کلاسیک به اثبات رسیده است. این روش ها توانسته اند داده های Wisconsinمربوط به بیماران مبتلا به سرطان را با دقت بالای ۹۹% به درستی طبقه بندی کنند، هرچند طبقه بندی مجموعه داده های SPECT قلبی دشوار تر بوده و دقت از حدود ۸۰% فراتر نرفته است.
داده کاوی در بهداشت و درمان
حوزه پزشکی و سلامت از بخش های مهم در جوامع صنعتی است. استخراج دانایی از میان حجم انبوه داده های مرتبط با سوابق بیماری و پرونده های پزشکی افراد با استفاده از فرایند داده کاوی می تواند منجر به شناسایی قوانین حاکم بر ایجاد، رشد و تسریع بیماری ها شده و اطلاعات ارزشمندی را به منظور شناسایی علل رخداد بیماری ها، تشخیص، پیش بینی و درمان بیماری ها با توجه به عوامل محیطی حاکم در اختیار متخصصان و دست انداران حوزه سلامت قرار دهد. نتیجه این مساله به معنای افزایش عمر و ایجاد آرامش برای افراد جامعه است.
مهمترین خدمات قابل ارایه با استفاده از روش های داده کاوی
- بررسی میزان تاثیر دارو بر بیماری و اثرات جانبی آن
- تـشخیـص و پیـش بینـی انـواع بیمـاری هـا مانند تشخیص یا پیش بینی انواع سرطان
- تعیین روش درمان بیماری ها
- پیش بینی میزان موفقیت اقدامات پزشکی مانند اعمال جراحی
- تـجــزیــه و تـحـلـیــل داده هــای مـوجـود در سیستم های اطلاعات سلامت (HIS)
- تحلیل عکس های پزشکی
ساخت مدلی برای تعیین نوع درمان سنگ حالب با راهکار داده کاوی
داده کاوی (Data mining) مترادف با یکی از عــبــــارت هــــای اســتــخـــراج دانـــش، بـــرداشـــت اطلاعات، وارسی داده ها و حتی لایروبی کردن داد ه هـا اسـت کـه در حقیقت کشف دانش در پـایگاه داد ه ها Knowledge Discovery in Databases KDD را توصیف می کند.
به طور ساده داده کاوی شامل استخراج دانش از حـجم عظیم داده ها می شود. البته عباراتی مانند کشف دانش از داده، استخراج دانش، آنالیز الگوها و لایروبی داده را نیز می توان معادل واژه داده کاوی به کار برد.فـرایـنـد کـشـف دانـش دارای چـندین مرحله است که دقت در انجام هر کدام از این مراحل، روی کـیـفـیـت کـل فـرایند تاثیرگذار است . این مـراحـل عـبـارتـنـد از :
- فهم و تعریف مسئله : مرحله اول فهم حوزه کاری و مسئله ای است که سعی در پیدا کردن راه حل برای آن است درک کـامـل مـسـئـله پیش نیاز ضروری برای انتخاب روش مناسب داده کاوی و کشف دانش مفید از میان داده ها است.
- جمع آوری و پیش پردازش داده ها: پیش پردازش داده ها خود شامل مراحلی است .
ایــن مــراحـل عـبـارتـنـد از: یـکـپـارچـه سـازی، حـذف نـویزها، مقابله با مقادیر مفقوده و تغییر شـکـل داده هـا، کـاهـش تعـداد داده هـا یـا تعـداد ویژگی ها و غیره.
- داده کـاوی: مـرحـلـه سـوم هـمـان مـرحـلـه داده کاوی است که با انجام آن الگوها و مدل های پنهان در میان داده ها استخراج می شود. در این مرحله باید نخست وظیفه داده کاوی و سپس روش داده کاوی را انتخاب کرد.
- تفسیر و ارزیابی نتایج : مرحله چهارم شامل تفسیر نتایج به دست آمده از مرحله سوم است. لزوما نتایج به دست آمده از مرحله سوم قابل اطمینان نیستند و ممکن است بیانگر دانش مفید و قابل استفاده نباشند. به همین خاطر باید این نتایج را به گونه ای ارزیابی کرد . برای ارزیابی مدل به دست آمده می توان در ابتدای امر، داده ها را به دو دسته آموزش (train) و آزمایش (test) تقسیم کرد، مدل را روی داده های آموزش ساخت و سپس نتایج به دست آمده را روی داده های تست آزمایش کرد و دقت مدل را محاسبه کرد.
- استفاده از دانش کشف شده: مرحله آخر استفاده از دانش استخراج شده از داده ها به صورت عملی است. در حقیقت هدف از انجام مراحل مختلف کشف دانش، دست یابی به نتایجی است که بتوان از آن ها در دنیای واقعی و برای بهبود کارایی سازمان ها استفاده کرد . این دانش استخراج شده می تواند به عنوان یک سیستم کمک تصمیم در دنیای واقعی مورد استفاده قرار گیرد . داده کاوی روی داده های پزشکی از اهمیت بالایی برخوردار است و طراحی سیستم های کمک تصمیم جهت یاری رساندن به پزشکان در زمینه تشخیص نوع بیماری یا انتخاب نوع درمان مناسب، با کمک داده کاوی می تواند کمک شایانی در زمینه نجات جان انسان ها انجام دهد . یکی از اندام هایی که در بدن نقش اساسی و کلیدی ایفا می کند، کلیه است. انجام آزمایشات مناسب و انتخاب روش های درمانی مطلوب برای افرادی که به یکی از بیماری های کلیوی مبتلا هستند، بسیار حائز اهمیـت اسـت چـرا کـه کـوتـاهـی در درمـان بیمـاری های کلیوی می تواند منجر به از کارافتادگی سایر ارگان های بدن و در برخی موارد منجر به مرگ بیمار شود . یکی از بیماری های مربوط به کلیه، تشکیل سنگ کلیه در افراد است .
امروزه روش های درمانی مختلف برای برخورد با این بیماری وجود دارد اما انتخاب روش درمانی مناسب که علاوه بر آسیب رسانی کمتر به فرد، دارای خروجی مطلوب نیـز بـاشـد، کـاری پیچیـده اسـت . معمولا روش درمانی برای این بیماری با توجه به خصوصیات سنگ، انتخاب می شود که البته در بسیاری از موارد روش درمانی مناسب توسط پزشک برای بیمار انتخاب نمی شود. بدین جهت طراحی یک سیستم تصمیم یار جهت انتخاب نوع درمان سنگ کلیه با توجه به خصوصیات سنگ و بیمار و با کمک راهکار داده کاوی، می تواند به پزشکان در انتخاب درمان یاری رسان باشد.
هـمــزمــان بــا گستـرش و رشـد داده کـاوی و کـاربـردهـای آن در دهـه اخیـر، تـوجـه پژوهشگرانی از حوزه پزشکی و سلامت را به خود جلب کرده و به کارگیری آن در تحقیقات این حوزه روندی رو به تزاید پیدا کرده است.
روش بررسی
اطـلاعـات مربوط به بیماران از بیمارستان شهید هاشمی نژاد جمع آوری شده و کارهای مربوط به ساخت مدل (ورود داده ها، پیـش پـردازش و سـاخـت مـدل) در آزمـایشگـاه فناوری اطلاعات دانشگاه تربیت مدرس انجام شده است.
- درخـت تصمیم (Decision Tree): یکی از روشهـای داده کـاوی روی پایگاه های داده، ساخت درخت تصمیم مربوط به داده ها است. درخت تصمیم یک ساختار درخت مانند دارد، در حـالـی کـه هر گره ورودی نشان دهنده یک امتحان روی یک ویژگی، هر شاخه خارج شده از آن گـره بـیـان کننده یکی از مقادیر ممکن برای همان ویژگی و برگ ها نشان دهنده کلاس ها هـسـتند. فرایند دسته بندی هر نمونه با امتحان ویـژگـی بـیـان شـده در گره ریشه شروع شده و سپس از شاخه های درخت با توجه به مقدار آن ویژگی پایین می آییم . سپس این فرایند با امتحان گره بعدی که در انتهای شاخه انتخاب شده قرار دارد، ادامه می یابد تا نهایتا به یک برگ برسیم . تـاکنون از درخت تصمیم به عنوان روش داده کـاوی جـهـت استخراج الگوهای نهان در داده های پزشکی، استفاده های زیادی شده است.
از آنجا که عملکرد این مدل، بهتر از عملکرد الـگـوریـتـم بـیـمـارسـتـانـی و مدل ذهنی پزشکان اسـت، از آن مـی تـوان بـه عـنـوان سیستم کمک تـصـمـیـم جـهـت تـعـیـیـن نوع درمان سنگ های حالب در بیمارستان استفاده کرد . با کمک این مـدل و بـا توجه به ویژگی های بیمار، پنج نوع درمــان مــوجـود در نـظـر گـرفـتـه شـده و درصـد موفقیت هر کدام از این درمان ها پیش بینی می شود. پزشک می تواند با توجه به میزان موفقیت هرکدام از درما ن ها، درمان مناسب را برای بیمار انـتـخـاب کنـد . در الگـوریتـم بیمـارستـان، بـرای انتخاب نوع درمان فقط دو ویژگی اندازه و مکان سنگ مهم است ، ولی در مدل ساخته شده سن بیمار نیز در تصمیم گیری موثر است. همچنین در الگوریتم بیمارستان برای سنگ های زیر ۱۰ و بالای ۱۰ میلی متر دو روش درمانی در نظر گرفته می شود، در صورتی که با توجه به مدل ساخته شده باید برای انتخاب نوع درمان، سنگ های بیشتر و کمتر از هفت میلی متر، بیشتر و کمتر از ۱۱ میلی متر، بیشتر و کمتر از ۱۳ میلی متر، بیشتر و کمتر از ۲۰ و بیشتر و کمتر از ۲۸ میلی متر را در نظر گرفت و با توجه به این اندازه نوع درمان را تعیین کرد.
تحقیق ها در زمینه داده کاوی
- کـاربـرد داده کاوی در روش های ART درمان ناباروری
افـــزایـــش روزافـــزون پــیــشـــرفـــت در زمــیـنــه تــکــنـــولـــوژی اطـــلاعــات، بــاعــث ایـجــاد رشــد چـشـمگـیـری در عـلـوم شده است. یکی از این رشــتـــه هـــا، عــلــم پــزشـکــی اســت. اسـتـفــاده از تـکـنـیـک هـای داده کـاوی در ایـن شـاخه از علم موجب شده که در کلیه مباحث، به خصوص بـحـث نـابـاروری بـتـوان سـیـسـتم های پزشکیار طـراحـی کـرد. عـوامـل مـخـتـلـفـی مـوجـب بـروز نـاباروری میشود که میتوان آنها را به طور کلـی بـه دو دستـه تقسیـم کـرد:
عوامل مردانه و عوامل زنانه که هر کدام فاکتور های زیادی را شامل میشوند و درمان خاص خود را دارند. روش های درمانی از جمله IUI، IVF و غیره در این حوزه استفاده میشود. در این تحقیق سعی بر این است تا با استفاده از تحلیل های داده کاوی روش های غیرنظارتی، به تحلیل داده های این حــوزه پــرداخـتــه شـود تـا بتـوان بـه پـزشکـان در تصمیم گیری جهت درمان بیماران کمک کرد.
- کاربرد داده کاوی در بیماریهای قلبی و عروقی
رشد چشمگیر بیماری های قلبی و عروقی و اثرات و عوارض آن ها و هزینه های بالایی که بر جامعه وارد میکند، باعث شده که جامعه پزشکی به دنبال برنامه هایی جهت بررسی بیشتر، پیشگیری، شناسایی زود هنگام و درمان موثر آن باشد. از اینرو با استفاده از داده کاوی و کشف دانش در سیستم مراکز قلب و عروق میتوان دانش ارزشمند را ایجاد کرد که این دانش کشف شده میتواند باعث بهبود کیفیت سرویس به وسیله مدیران مرکز شود و همچنین میتواند به وسیله پزشکان استفاده شود تا رفتار آینده بیماران قلبی و عروقی از روی سابقه داده شده پیش بینی کنند و نیز تشخیص بیماری قلبی از روی ویژگی های گوناگون و نشانه ها، ارزیابی فاکتورهای ریسکی که باعث افزایش حمله قلبی می شود از مهمترین کاربردهای داده کاوی و کشف دانش در سیستم بیماران قلبی و عروقی است.
- داده کاوی در بهداشت و درمان
حوزه پزشکی و سلامت از بخش های مهم در جوامع صنعتی است. استخراج دانایی از میان حجم انبوه داده های مرتبط با سوابق بیماری و پرونده های پزشکی افراد با استفاده از فرایند داده کاوی می تواند منجر به شناسایی قوانین حاکم بر ایجاد، رشد و تسریع بیماری ها شده و اطلاعات ارزشمندی را به منظور شناسایی علل رخداد بیماری ها، تشخیص، پیش بینی و درمان بیماری ها با توجه به عوامل محیطی حاکم در اختیار متخصصان و دستنکاران حوزه سلامت قرار دهد. نتیجه این مساله به معنای افزایش عمر و ایجاد آرامش برای افراد جامعه است.
بررسی میزان تاثیر دارو بر بیماری و اثرات جانبی آن
- تـشخیـص و پیـش بینـی انـواع بیمـاری هـا مانند تشخیص یا پیش بینی انواع سرطان
- تعیین روش درمان بیماری ها
- پیش بینی میزان موفقیت اقدامات پزشکی مانند اعمال جراحی
- تـجــزیــه و تـحـلـیــل داده هــای مـوجـود در سیستم های اطلاعات سلامت (HIS)
- تحلیل عکس های پزشکی
مدتهاست که با ترجمه و فوت وفن آن آشنا هستم و از آنجاییکه دانش آموخته این رشته می باشم و قبلأ در زمینه فنی مهندسی ، ریاضی ، پزشکی ، ادبی و سیاسی کار ترجمه انجام داده ام خود را آماده همکاری با این موسسه محترم می دانم.با سپاس
سلام
ممنون از توجه و عنايت شما
شيوه کارى ما به اين صورت مى باشد که در ايميل اول خود از شما رزومه کارى و دو نمونه از مقالاتى که ترجمه کرده ايد را دريافت کرده و پس از بررسى اطلاع مى دهيم
در ضمن هدف ما گرفتن دست پژوهشگران است و سايت ديگر ما با نام پژوهشيار به آدرس Researchyar.ir
مى باشد که مى توانيد کارهاى خود و ترجمه هاى خود را در هر حوزه اى که باشد در آن براى فروش قرار دهيد