اکثر مکاتبات کومش از طریق ایمیل سایت می باشد.
لطفا Spam ایمیل خود را نیز چک نمایید.
   [صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: جلد 22، شماره 1 - ( زمستان 1398: 1-201 1398 ) ::
جلد 22 شماره 1 صفحات 145-154 برگشت به فهرست نسخه ها
مدل‌سازی سامانه توصیه‌گر معنایی تجویز پزشک و کشف تداخلات دارویی
علی اصغر صفائی ، سید سعید صفائی
چکیده:   (395 مشاهده)
هدف: تجویز داروهای مناسب برای بیماران از اساسی‌ترین پروسه‌های درمان آن‌ها است و نیازمند تصمیم‌گیری دقیق بر اساس شرایط فعلی بیمار و سوابق و علائم وی می‌باشد. در بسیاری از موارد ممکن است بیماران بیش از یک دارو نیاز داشته یا علاوه بر داشتن بیماری قبلی و دریافت داروی آن، برای بیماری جدید نیاز به داروهای جدید داشته باشند که چنین شرایطی امکان ایجاد خطای پزشکی در تجویز دارو و بروز اثرات سوء مصرف دارویی(ADE)  (مانند تداخلات دارویی) را برای بیمار افزایش می‌دهد.
مواد و روشها: در این مقاله مدل‌سازی سامانه‌ی توصیه‌گر معنایی تجویز پزشک و کشف تداخلات داروئی ارائه شده است. پیش‌تر نیازمندی‌های سامانه استخراج و به تفصیل شرح داده شده و در این مقاله، بر اساس نیازمندی‌های استخراج شده به مدل‌سازی سامانه با استفاده از زبان یک‌پارچه مدل‌سازی UML2.0 پرداخته شده است. جهت ارزیابی کارکردهای توصیه و کشف ADEها (تداخلات) اقدام به توسعه نمونه آزمایشگاهی با استفاده از زبان Java شد و هم‌چنین مجموعه‌ای از قواعد جهت استدلال و کشف تداخلات و ADEها گردآوری شد.
یافتهها: نتایج ارزیابی عملکرد سامانه برای کارکردهای کشف اثرات سوء مصرف داروها و توصیه داروئی نشان‌دهنده‌ی بهبود عملکرد رویکرد پیشنهادی به میزان 25/9 و 3/11 درصد در معیار دقت، 29 و 6/60 درصد در معیار فراخوانی (به ترتیب رویکردهای کشف اثرات سوء و توصیه داروئی) می‌باشد.
نتیجهگیری: استفاده از این سامانه به‌عنوان یک مدخل ورود الکترونیکی دستورات پزشک می‌تواند علاوه بر کمک به پزشکان جهت تجویز دقیق‌تر نسخه، مخاطرات موجود علیه سلامتی بیماران که ناشی از خطاهای پزشکی در مرحله تجویز دارو است را کاهش دهد.
 
واژه‌های کلیدی: سیستم توصیه‌گر معنایی، اثرات سوء مصرف داروها، تداخلات دارویی، زبان یک‌پارچه مدل‌سازی، مدخل ورود کامپیوتری دستورات پزشک
متن کامل [PDF 1593 kb]   (102 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: عمومى
دریافت: ۱۳۹۶/۱۰/۲۷ | پذیرش: ۱۳۹۸/۵/۱۲ | انتشار: ۱۳۹۸/۱۰/۱۴
فهرست منابع
1. [1] Bates DW, Boyle DL, Vander Vliet MB, Schneider J, Leape L. Relationship between medication errors and adverse drug events. J Gen Intern Med 1995; 10: 199-205. [DOI:10.1007/BF02600255] [PMID]
2. [2] Kass-Bartelmes BL. Reducing and preventing adverse drug events to decrease hospital costs. Res Action 2001; 1: 01-0020.
3. [3] Samwald M, Jentzsch A, Bouton C, Kallesøe CS, Willighagen E, Hajagos J, et al. Linked open drug data for pharmaceutical research and development. J Cheminform 2011; 3: 19. [DOI:10.1186/1758-2946-3-19] [PMID] [PMCID]
4. [4] Kushwaha N, Goyal R, Goel P, Singla S, Vyas OP. LOD cloud mining for prognosis model (case study: native app for drug recommender system). Adv Int Things 2014; 4: 20. [DOI:10.4236/ait.2014.43004]
5. [5] Wishart DS, Knox C, Guo A, Shrivastava S, Hassanali M, Stothard P, Woolsey J. DrugBank: A comprehensive resource for in silico drug discovery and explorat. Nucleic Acids Res 2006; 34: D668-72. [DOI:10.1093/nar/gkj067] [PMID] [PMCID]
6. [6] Callahan A, Cruz-Toledo J, Ansell P, Dumontier M, editors. Bio2RDF release 2: improved coverage, interoperability and provenance of life science linked data. Extend Semantic Web Confer 2013. [DOI:10.1007/978-3-642-38288-8_14]
7. [7] Maedche A, Staab S. Ontology learning. Handbook on ontologies 2004; p: 173-190. [DOI:10.1007/978-3-540-24750-0_9]
8. [8] Chen RC, Huang YH, Bau CT, Chen SM. A recommendation system based on domain ontology and SWRL for anti-diabetic drugs selection. Exp Syst with Appl 2012; 39: 3995-4006. [DOI:10.1016/j.eswa.2011.09.061]
9. [9] Lu J, Wu D, Mao M, Wang W, Zhang G. Recommender system application developments: a survey. Decision Support Syst 2015; 74: 12-32. [DOI:10.1016/j.dss.2015.03.008]
10. [10] Ricci F, Rokach L, Shapira B, Kantor PB. Recommender systems handbook. Springer 2015. [DOI:10.1007/978-1-4899-7637-6]
11. [11] Gomez-Perez A, Fernández-López M, Corcho O. Ontological engineering: with examples from the areas of knowledge management, e-Commerce and the semantic Web: Springer Sci Business Media 2006.
12. [12] Wiesner M, Pfeifer D. Health recommender systems: concepts, requirements, technical basics and challenges. Int J Environ Res Public Health 2014; 11: 2580-2607. [DOI:10.3390/ijerph110302580] [PMID] [PMCID]
13. [13] Pathak J, Kiefer RC, Chute CG. Using linked data for mining drug-drug interactions in electronic health records. Stud Health Technol Inform 2013; 192: 682-686. [DOI:10.1007/978-3-642-39437-9_11] [PMID] [PMCID]
14. [14] Sung TY, Hung FH, Chiu HW, editors. Implementation of an integrated drug information system for inpatients to reduce medication errors in administrating stage. Engineering in Medicine and Biology Society, 2008 EMBS 2008 30th Annual International Conference of the IEEE; 2008; IEEE. [DOI:10.1109/IEMBS.2008.4649259] [PMID]
15. [15] umbaugh, James, Ivar Jacobson, and Grady Booch. Unified modeling language reference manual, the. Pearson Higher Education, 2004.
16. [16] Seidl M, Scholz M, Huemer C, Kappel G. UML@ classroom: An introduction to object-oriented modeling: Springer; 2015. [DOI:10.1007/978-3-319-12742-2]
17. [17] Hariri N, Babalhavaeji F, Farzandipour M, Nadi Ravandi S. Evaluation criteria of information retrieval systems: What we know and what we do not know. Iran J Inform Proces Manag 2014; 30: 199-221. (Persian).
18. [1] Bates DW, Boyle DL, Vander Vliet MB, Schneider J, Leape L. Relationship between medication errors and adverse drug events. J Gen Intern Med 1995; 10: 199-205. [DOI:10.1007/BF02600255] [PMID]
19. [2] Kass-Bartelmes BL. Reducing and preventing adverse drug events to decrease hospital costs. Res Action 2001; 1: 01-0020.
20. [3] Samwald M, Jentzsch A, Bouton C, Kallesøe CS, Willighagen E, Hajagos J, et al. Linked open drug data for pharmaceutical research and development. J Cheminform 2011; 3: 19. [DOI:10.1186/1758-2946-3-19] [PMID] [PMCID]
21. [4] Kushwaha N, Goyal R, Goel P, Singla S, Vyas OP. LOD cloud mining for prognosis model (case study: native app for drug recommender system). Adv Int Things 2014; 4: 20. [DOI:10.4236/ait.2014.43004]
22. [5] Wishart DS, Knox C, Guo A, Shrivastava S, Hassanali M, Stothard P, Woolsey J. DrugBank: A comprehensive resource for in silico drug discovery and explorat. Nucleic Acids Res 2006; 34: D668-72. [DOI:10.1093/nar/gkj067] [PMID] [PMCID]
23. [6] Callahan A, Cruz-Toledo J, Ansell P, Dumontier M, editors. Bio2RDF release 2: improved coverage, interoperability and provenance of life science linked data. Extend Semantic Web Confer 2013. [DOI:10.1007/978-3-642-38288-8_14]
24. [7] Maedche A, Staab S. Ontology learning. Handbook on ontologies 2004; p: 173-190. [DOI:10.1007/978-3-540-24750-0_9]
25. [8] Chen RC, Huang YH, Bau CT, Chen SM. A recommendation system based on domain ontology and SWRL for anti-diabetic drugs selection. Exp Syst with Appl 2012; 39: 3995-4006. [DOI:10.1016/j.eswa.2011.09.061]
26. [9] Lu J, Wu D, Mao M, Wang W, Zhang G. Recommender system application developments: a survey. Decision Support Syst 2015; 74: 12-32. [DOI:10.1016/j.dss.2015.03.008]
27. [10] Ricci F, Rokach L, Shapira B, Kantor PB. Recommender systems handbook. Springer 2015. [DOI:10.1007/978-1-4899-7637-6]
28. [11] Gomez-Perez A, Fernández-López M, Corcho O. Ontological engineering: with examples from the areas of knowledge management, e-Commerce and the semantic Web: Springer Sci Business Media 2006.
29. [12] Wiesner M, Pfeifer D. Health recommender systems: concepts, requirements, technical basics and challenges. Int J Environ Res Public Health 2014; 11: 2580-2607. [DOI:10.3390/ijerph110302580] [PMID] [PMCID]
30. [13] Pathak J, Kiefer RC, Chute CG. Using linked data for mining drug-drug interactions in electronic health records. Stud Health Technol Inform 2013; 192: 682-686. [DOI:10.1007/978-3-642-39437-9_11] [PMID] [PMCID]
31. [14] Sung TY, Hung FH, Chiu HW, editors. Implementation of an integrated drug information system for inpatients to reduce medication errors in administrating stage. Engineering in Medicine and Biology Society, 2008 EMBS 2008 30th Annual International Conference of the IEEE; 2008; IEEE. [DOI:10.1109/IEMBS.2008.4649259] [PMID]
32. [15] umbaugh, James, Ivar Jacobson, and Grady Booch. Unified modeling language reference manual, the. Pearson Higher Education, 2004.
33. [16] Seidl M, Scholz M, Huemer C, Kappel G. UML@ classroom: An introduction to object-oriented modeling: Springer; 2015. [DOI:10.1007/978-3-319-12742-2]
34. [17] Hariri N, Babalhavaeji F, Farzandipour M, Nadi Ravandi S. Evaluation criteria of information retrieval systems: What we know and what we do not know. Iran J Inform Proces Manag 2014; 30: 199-221. (Persian).
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Safaei A A, Safaei S S. Modeling a semantic recommender system for medical prescriptions and drug interaction detection. koomesh. 2020; 22 (1) :145-154
URL: http://koomeshjournal.semums.ac.ir/article-1-4571-fa.html

صفائی علی اصغر، صفائی سید سعید. مدل‌سازی سامانه توصیه‌گر معنایی تجویز پزشک و کشف تداخلات دارویی. كومش. 1398; 22 (1) :145-154

URL: http://koomeshjournal.semums.ac.ir/article-1-4571-fa.html



جلد 22، شماره 1 - ( زمستان 1398: 1-201 1398 ) برگشت به فهرست نسخه ها
کومش Koomesh
Persian site map - English site map - Created in 0.06 seconds with 32 queries by YEKTAWEB 4106