دانلود رایگان ترجمه مقاله یک سیستم استنباط منطق فازی جدید برای پشتیبانی از تصمیم گیری (نشریه اسپرینگر ۲۰۱۰) (ترجمه ارزان – نقره ای ⭐️⭐️)

springer4

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۸ صفحه در سال ۲۰۱۰ منتشر شده و ترجمه آن ۱۲ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

یک سیستم استنباط منطق فازی تازه برای پشتیبانی از تصمیمات مربوط به جداسازی دستگاه تنفس مصنوعی از بیماران

عنوان انگلیسی مقاله:

A Novel Fuzzy Logic Inference System for Decision Support in Weaning from Mechanical Ventilation

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۰
تعداد صفحات مقاله انگلیسی ۸ صفحه با فرمت pdf
رشته های مرتبط با این مقاله پزشکی و مهندسی پزشکی
گرایش های مرتبط با این مقاله سایبرنتیک پزشکی
چاپ شده در مجله (ژورنال) مجله سیستم های پزشکی – Journal of Medical Systems
کلمات کلیدی جداسازی از دستگاه، تنفس مصنوعی، منطق فازی، پیشگویی کننده های جداسازی از دستگاه تنفس
ارائه شده از دانشگاه گروه جراحی عمومی، دانشکده پزشکی دانشگاه هاکتپه، ترکیه
رفرنس دارد  
کد محصول F1405
نشریه اسپرینگر – Springer

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۲ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه شده است  
ضمیمه ترجمه شده است 
درج تصاویر در فایل ترجمه درج شده است 
درج جداول در فایل ترجمه درج شده است 
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط  میباشد 

 

فهرست مطالب

چکیده
مقدمه
مواد و روشها
طراحی سیستم استنباط منطق فازی
شبیه سازی های ریاضی
عقیده متخصص
نتایج
نتیجه گیری ها
پیوست یک-محاسبه پیشگویی کننده های جداسازی از دستگاه متداول

 

 

بخشی از ترجمه
 چکیده
جداسازی دستگاه تنفس از بیماران یکی از چالش برانگیزترین مسائل در درمان بیماران با وضعیت وخیم می باشد. پیشگویی کننده های کنونی که برای این کار استفاده می شود بسیاری ابعاد مهم نتیجه این جداسازی را نادیده گرفته و به طور یکنواخت موفقیت آمیز نمی باشد. یک سیستم استنباط منطق فازی که از نه متغیر استفاده می کند و پنج بلوک قانون درون دو لایه طراحی شده و طی شبیه سازی های ریاضی و شرح حالهای تصادفی بالینی اجرا گردیده تا رفتار و عملکردش را در پیشگویی عقیده متخصص با آنهایی که برای شاخص تنفس کم عمق و سریع یا RSBI ، شاخص زمان فشار و شاخص جداسازی دستگاه Jabour می باشد، مقایسه نماید. RSBI در پیشگویی عقیده متخصص در ۵۲ درصد شرح حالها ناکام مانده است. سیستم استنباط منطق فازی نشان دهنده بهترین قدرت تمیز می باشد (ROC: 0.9288)، و RSBI بدترین را در پیشگویی عقاید متخصص نشان داده است (ROC:0.6556) منطق فازی یک رویکردی را ارائه می دهد که می تواند به کار تصمیم گیری چندمشخصه ای بیاید و یک ابزار خیلی قدرتمند برای غلبه بر ضعف پیشگویی کننده های جداسازی از دستگاه در حال حاضر می باشد.
 
۱- مقدمه
دستگاه تنفس مصنوعی یک پشتیبانی ضروری برای تنفس را فراهم می کند حین اینکه دستگاه تنفس بیمار از یک نارسایی تنفسی حاد بهبود می یابد. درحالیکه اغلب دستگاه های تنفس مصنوعی نجات دهنده زندگی از پیچیده ترین عملیات مراقبت های حیاتی می باشد، یک درمان پرهزینه و تهاجمی می باشد که مشکلات آن به خوبی مستند شده است. علاوه بر ریسک افزایش یافته دستگاه تنفس مصنوعی که به پنومونی، صدمه در اثر فشار هوا و عفونت های بیمارستانی مربوط می شود، مشخص شده که مرگ و میر به طور معنی داری در بیماران دارای تنفس مصنوعی بلندمدت بالاتر است. به همین دلیل می خواهیم هرچه زودتر بیماران را از دستگاه تنفس مصنوعی جداسازی کنیم و لوله برداری نماییم. ولی عدم موفقیت برای پیشگویی زمان درست جداسازی دستگاه می تواند منجر به نارسایی تنفسی و لوله گذاری مجدد بیمار شود که آن هم مشخص شده باعث افزایش مرگ و میر و بیماری ها می شود.
جستجوی یک پیشگویی کننده قابل اتکا برای جداسازی موفقیت آمیز دستگاه به چندین عامل پیشگویی بیشمار رسیده است ولی بدون نتایج قابل تکرار بوده است. در میان اینها شاخص تنفس کم عمق و سریع یا RSBI پراستفاده ترین بوده است که تا حدی به دلیل سهولت محاسبه آن بوده است. این شاخص بعد از یک دقیقه تنفس خودبخدوی به شکل نسبت فراوانی حجم جذری و یک RSBI زیر حد استانه ۱۰۵ (تنفس در دقیقه) بر L اندازه گیری می شود که موفقیت جداسازی از دستگاه تنفس را با حساسیت تا ۹۷ درصد پیشگویی می کند. ولی حساسیت آن در مورد تنفس مصنوعی طولانی مدت کاهش می یابد و ویژگی اش تحت تاثیر حالت بیماری است. ویژگی به اندازه ۶۵ درصد که در بیماران مبتلا به COPD دیده شده است به ۲۸ درصد در بیماران با نارسایی تنفسی حاد کاهش یافته است. پیشگویی کننده های دیگر جداسازی دستگاه نمایانگر پارامترهای پیچیده تر دینامیک تنفسی می باشد ولی به طور وسیعی به دلیل مشکلات در اندازه گیری ها یا محاسبات بالینی لازم استفاده نمی شود. به همین دلیل تمرکز بر مطالعات بالینی اغلب صرف یافتن یک پیشگویی کننده ساده برای جداسازی دستگاه تنفس شده که محاسبه و اندازه گیری آسانی داشته باشد.
پیشگویی کننده هایی که در حال حاضر برای جداسازی دستگاه تنفس استفاده می شود، تقریبا به طور انحصاری متمرکز بر پارامترهای تنفسی بوده و در ارائه کل تصویر بالینی که اساس آمادگی برای جداسازی دستگاه را تشکیل می دهد، ناکام مانده اند. اغلب اینها تزریق وریدی سیستماتیک، تنفس و تعادل اسید-باز را نادیده می گیرد که اثر معنی داری روی موفقیت آزمون جداسازی دستگاه تنفس دارد.
در یک بررسی تازه Siner & Manthous بر تنوع متغیرهایی تاکید ورزیده اند که بر نتایج جداسازی از دستگاه تنفس اثر داشته و بیان داشته اند که فرایند جداسازی از دستگاه همیشه تحت هدایت مهارت و حرفه خواهد بود ولی کاملا توسط علم پیشگویی نشده است. این گفته که تا اندازه ای با ان موافقیم حقیقتا به عدم کفایت پیشگویی کننده های استفاده شده کنونی برای جداسازی دستگاه تنفس در توضیح ماهیت آشفته جداسازی از دستگاه، و برتری منطق انسان که در حل مسائل چندمتغیره بسیار قدرتمند می باشد، اشاره داشته است. یک رویکردی که به منطق آوری انسان نزدیکتر است می تواند به طراحی سیستم های پیشگویی کننده بهتر امکان دهد و منطق فازی یک ابزار قدرتمند در این خصوص می باشد.

 

بخشی از مقاله انگلیسی

Abstract

Weaning from mechanical ventilation represents one of the most challenging issues in management of critically ill patients. Currently used weaning predictors ignore many important dimensions of weaning outcome and have not been uniformly successful. A fuzzy logic inference system that uses nine variables, and five rule blocks within two layers, has been designed and implemented over mathematical simulations and random clinical scenarios, to compare its behavior and performance in predicting expert opinion with those for rapid shallow breathing index (RSBI), pressure time index and Jabour’ weaning index. RSBI has failed to predict expert opinion in 52% of scenarios. Fuzzy logic inference system has shown the best discriminative power (ROC: 0.9288), and RSBI the worst (ROC: 0.6556) in predicting expert opinion. Fuzzy logic provides an approach which can handle multi-attribute decision making, and is a very powerful tool to overcome the weaknesses of currently used weaning predictors.

۱ Introduction

Mechanical ventilation offers essential ventilatory support, while the respiratory system recovers from acute respiratory failure [1]. While often life-saving, mechanical ventilation is the most complex of critical care procedures, and is an invasive, costly therapy with well-documented complications [2–۶]. Besides increased risk of ventilator associated pneumonia, barotrauma and nosocomial infections, mortality is known to be significantly higher in patients with prolonged mechanical ventilation [1]. That’s why we want to wean and extubate patients at the earliest possible time. But failure to predict the right time to wean, may result in respiratory failure and reintubation of the patient, which is also known to increase morbidity and mortality [2].

The search for a reliable predictor of weaning success has yielded numerous predictors, but without reproducible results [7, 8]. Among them rapid shallow breathing index (RSBI) is the most widely used, in part due to its ease of calculation. It is measured after one minute of spontaneous breathing as the ratio of frequency to tidal volume, and a RSBI below the threshold of 105 (breaths/min)/L predicts weaning success with a sensitivity of up to 97% [9]. But its sensitivity decreases with prolonged ventilation, and its specificity is influenced by the disease state [7]. Specificity of 65% observed in patients with COPD, decreases to 28% in patients with acute respiratory failure [7, 10]. The other predictors of weaning represent more detailed parameters of respiratory dynamics, but are not widely used because of the difficulties in required measurements or bedside calculations. That’s why the focus of clinical studies was mostly on finding a simple weaning predictor that is easy to measure and calculate.

Currently used weaning predictors almost solely focus on respiratory parameters, and fail to represent the whole clinical picture that forms the basis for readiness for weaning. Most of them ignore systemic perfusion, ventilation and acid–base balance, which have significant impact on the success of weaning trial.

In a recent review Siner and Manthous emphasized the diversity of variables that affect weaning outcomes and state that the process of weaning “will always be art guided but not predicted entirely by science” [۱۱]. This notion, which we partly agree, actually points to the inadequacy of currently used weaning predictors in explaining the chaotic nature of weaning, and the superiority of human reasoning which is much powerful in solving multi-attribute problems. An approach closer to human reasoning may allow design of better predictive systems, and fuzzy-logic is a powerful tool in that respect.

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

یک سیستم استنباط منطق فازی تازه برای پشتیبانی از تصمیمات مربوط به جداسازی دستگاه تنفس مصنوعی از بیماران

عنوان انگلیسی مقاله:

A Novel Fuzzy Logic Inference System for Decision Support in Weaning from Mechanical Ventilation

 
 
 
 
 

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *