| تعداد نشریات | 60 |
| تعداد شماره‌ها | 2,181 |
| تعداد مقالات | 17,684 |
| تعداد مشاهده مقاله | 54,238,283 |
| تعداد دریافت فایل اصل مقاله | 28,402,594 |
ارزیابی جامع مدل‌های یادگیری گروهی (EL) در مدیریت بیماری‌های قلبی عروقی: رویکردی فراترکیب | ||
| مطالعات مدیریت کسب و کار هوشمند | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 02 آذر 1404 اصل مقاله (2.93 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/ims.2025.86650.2638 | ||
| نویسندگان | ||
| محمود زاهدیان نژاد1؛ محمد مهرآیین* 2؛ روح الله باقری3؛ سید محمد طباطبایی4 | ||
| 1دانشجوی دکتری رشته مدیریت فناوری اطلاعات، گروه مدیریت، دانشگاه فردوسی مشهد، مشهد، ایران | ||
| 2استاد مدیریت فناوری اطلاعات،گروه مدیریت، دانشگاه فردوسی مشهد، مشهد، ایران نویسنده مسئول: mehraeen@um.ac.ir | ||
| 3دانشیار مدیریت فناوری اطلاعات،گروه مدیریت، دانشگاه فردوسی مشهد، مشهد، ایران | ||
| 4استادیار انفورماتیک پزشکی،گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد مشهد، ایران | ||
| چکیده | ||
| بیماری‌های قلبی-عروقی (CVDs) یکی از علل اصلی مرگ‌ومیر در سراسر جهان محسوب می‌شوند. افزایش داده‌های پیچیده حاصل از ابزارهای تشخیصی مانند الکتروکاردیوگرام (ECG)، چالش‌های قابل توجهی را برای پزشکان ایجاد کرده که بر دقت تشخیص و سرعت درمان تأثیر می‌گذارد. یادگیری گروهی (EL) با ترکیب مدل‌های مختلف، عملکرد بهتری را در مدیریت CVD ها ارائه می‌دهد، اما تحقیقات محدودی به صورت سیستماتیک تکنیک‌های مختلف آن را مقایسه کرده‌اند. این پژوهش با استفاده از رویکرد فراترکیب، به بررسی کاربرد مدل‌های EL در ترکیب با مدل‌های یادگیری ماشین (ML) و یادگیری عمیق (DL) می‌پردازد. هدف این مطالعه، دسته‌بندی مدل‌های EL در مدیریت CVD ها، ارزیابی عملکرد و کارایی آن‌ها در هر دسته، شناسایی مزایا و محدودیت‌ها و تحلیل نقش مهندسی ویژگی است. یافته‌های این فراترکیب نشان می‌دهد که کاربرد مدل‌های یادگیری در مدیریت CVD ها به چهار حوزه‌ی اصلی تقسیم می‌شود: پیش‌بینی، تشخیص، شناسایی و طبقه‌بندی. نتایج تأیید می‌کند که مدل‌های EL در تمام این چهار حوزه غالب هستند و کارایی آن‌ها با ادغام با تکنیک‌های ML و DL به طور قابل توجهی افزایش می‌یابد. در میان رویکردهای مختلف، مدل‌های جنگل تصادفی (RF) و الگوریتم‌های تقویت گرادیان مانند XGBoost، بیشترین فراوانی استفاده را داشته و به عنوان کارآمدترین و دقیق‌ترین مدل‌ها شناخته می‌شوند. این پژوهش با ارائه یک نمای کلی ساختاریافته، بینش‌های ارزشمندی را برای محققان و متخصصان بالینی فراهم می‌کند و چارچوبی برای به‌کارگیری مدل‌های ترکیبی جهت دستیابی به مدیریت دقیق‌تر و مؤثرتر بیماری‌های قلبی-عروقی ارائه می‌دهد. | ||
| کلیدواژه‌ها | ||
| مدیریت بیماری های قلبی عروقی (CVDs)؛ رویکرد فراترکیب؛ یادگیری گروهی (EL)؛ یادگیری ماشین (ML)؛ یادگیری عمیق (DL) | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3 تعداد دریافت فایل اصل مقاله: 2 |
||