إطار عمل متكامل للتعلم الآلي الخاضع للإشراف وغير الخاضع للإشراف لتصنيف واكتشاف الأنماط السريرية في سجلات المرضى الخارجيين في الجهاز العضلي الهيكلي في ليبيا

الملخص

ملخص - تهدف هذه الدراسة إلى استخدام التعلم الآلي الخاضع للإشراف
وغير الخاضع للإشراف لتحليل سجلات المرضى الخارجيين
في العيادات
لاضطرابات الجهاز العضلي الهيكلي
في ليبيا. اعتمدت الدراسة على بيانات سريرية واقعية
تحتوي على حقول منظمة ونصوص سريرية حرة
تم اشتقاق ثلاث مجموعات بيانات بحثية
من البيانات الأصلية: مجموعة بيانات خاضعة للإشراف للتصنيف، ومجموعة بيانات غير خاضعة للإشراف لما قبل التشخيص
(PRE)، ومجموعة بيانات غير خاضعة للإشراف لما بعد الزيارة
(POST). أظهرت نتائج التعلم غير الخاضع للإشراف
أن مجموعة بيانات PRE كشفت عن ثلاث مجموعات سريرية واسعة
بينما كشفت مجموعة بيانات POST عن خمس مجموعات
أكثر تفصيلاً. في مسار التعلم الخاضع للإشراف، حقق LinearSVC
أفضل
أداء، بدقة 71.96% ودرجة Macro-F1 71.87%. ارتفعت الدقة أكثر
إلى 84.16% عند تصنيف الحالات ذات الثقة العالية فقط.
تشير النتائج إلى أن
التعلم غير الخاضع للإشراف مفيد لفهم
البنية السريرية، بينما يوفر التعلم الخاضع للإشراف
قدرة تصنيف عملية.

ومع ذلك، لا يزال التداخل بين الفئات السريرية و
النصوص السريرية ذات المعلومات المحدودة من بين
التحديات الرئيسية للأداء.

الكلمات المفتاحية:
السجلات الصحية الإلكترونية

اضطرابات الجهاز العضلي الهيكلي

التعلم الخاضع للإشراف

التعلم غير الخاضع للإشراف

التجميع

ليبيا