دانلود ترجمه مقاله یادگیری ماشین و آموزش پیش پزشکی (ساینس دایرکت – الزویر ۲۰۲۲) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۳ صفحه در سال ۲۰۲۲ منتشر شده و ترجمه آن ۹ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

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

یادگیری ماشین و آموزش پیش پزشکی

عنوان انگلیسی مقاله:

Machine learning and pre-medical education

 

مشخصات مقاله انگلیسی 
فرمت مقاله انگلیسی pdf و ورد تایپ شده با قابلیت ویرایش
سال انتشار ۲۰۲۲
تعداد صفحات مقاله انگلیسی ۳ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله هوش مصنوعیمهندسی الگوریتم ها و محاسبات
چاپ شده در مجله (ژورنال) Artificial Intelligence In Medicine
کلمات کلیدی یادگیری ماشین – آموزش – متخصصان پزشکی – پری مدیکال (پیش پزشکی) – تحصیلات دانشگاهی
کلمات کلیدی انگلیسی Machine learning – Education – Medical professionals – Pre-medical – Postsecondary education
نمایه (index) scopus – Master Journal List – JCR – MedLine
نویسندگان Vijaya B. Kolachalama
شناسه شاپا یا ISSN ۰۹۳۳-۳۶۵۷
شناسه دیجیتال – doi https://doi.org/10.1016/j.artmed.2022.102313
ایمپکت فاکتور(IF) مجله ۸٫۳۰۱ در سال ۲۰۲۱
شاخص H_index مجله ۹۳ در سال ۲۰۲۲
شاخص SJR مجله ۱٫۴۹۷ در سال ۲۰۲۱
شاخص Q یا Quartile (چارک) Q1 در سال ۲۰۲۱
بیس نیست
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر ندارد 
فرضیه ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۳۰۰۵
لینک مقاله در سایت مرجع لینک این مقاله در سایت Elsevier
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۹ (۱ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ندارد 
ترجمه متون داخل تصاویر ندارد 
ترجمه متون داخل جداول ندارد 
ترجمه ضمیمه ندارد 
درج تصاویر در فایل ترجمه ندارد 
درج جداول در فایل ترجمه ندارد 
درج فرمولها و محاسبات در فایل ترجمه ندارد 
منابع داخل متن به صورت عدد درج شده است
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده
۱٫ مقدمه
۲٫ اهمیت آموزش یادگیری ماشین
۳٫ مسیر پری مدیکال پنجره ای مناسب را برای آموزش یادگیری ماشینی فراهم می کند
۴٫ توصیه های درسی
۵٫ نتیجه گیری
منابع

 

بخشی از ترجمه

چکیده
     فن آوریهای مبتنی بر یادگیری ماشین و هوش مصنوعی (AI) به طور قابل توجهی به رویه های مختلف مدیریت پزشکی و مراقبت کمک می کنند. این احتمال وجود دارد که نسل بعدی متخصصان مراقبت های بهداشتی با مجموعه ای از نوآوری های تحت پشتیبانی هوش مصنوعی مواجه شوند و ممکن است در طی مدت تصدی حرفه ای خود وقت کافی برای یادگیری در مورد چارچوب های یادگیری ماشین که هدایت این سیستم ها را بر عهده دارند نداشته باشند. آموزش پزشکان و ارائه دهندگان مراقبت علاقمند با دوره های پایه مناسب در خصوص یادگیری ماشین به عنوان بخشی از تحصیلات دانشگاهی، احتمالاً آنها را در آینده به پزشکان و ارائه دهندگان مراقبت پیشرفته ای تبدیل خواهد کرد.

 

اهمیت آموزش یادگیری ماشین
     در آوریل ۲۰۱۸، سازمان غذا و داروی ایالات متحده (FDA)، بازاریابی اولین دستگاه سلامت دیجیتال را که از AI برای تشخیص دیابت چشمی (DR) در بزرگسالان استفاده می‌کرد، تایید کرد (۲). نرم افزار هدایت شده توسط یک الگوریتم AI ، می تواند تصاویر دیجیتالی شبکیه چشم بیمار را پردازش کند و احتمال DR خفیف یا شدیدتر را مشخص کند. FDA داده های حاصل از مطالعه تصاویر شبکیه را که از ۹۰۰ بیمار مبتلا به دیابت در ۱۰ مرکز مراقبت های اولیه به دست آمده بود، ارزیابی کرد. در این مطالعه، الگوریتم AI در ۸۷٫۴ % از مواقع DR فراتر از خفیف را به درستی شناسایی کرد و توانست به درستی بیمارانی را که در ۸۹٫۵ % مواقع DR فراتر از خفیف نداشتند شناسایی کند. این نرم‌افزار را می‌توان در یک محیط مراقبت اولیه نصب کرد تا پزشکان بتوانند غربالگری اپورتونیستی DR را در طول معاینات عادی بیمار انجام دهند. از زمان این تایید، چندین دستگاه و الگوریتم پزشکی مبتنی بر هوش مصنوعی دیگر نیز مورد تایید قانونی قرار گرفته اند (۳) و بسیاری از آنها در دست اقدام هستند تا مورد بررسی قرار گیرند و به طور بالقوه تأییدیه FDA را دریافت کنند. بدیهی است که “کاربران نهایی” بیشتر این دستگاه ها پزشکان یا سایر ارائه دهندگان مراقبت هستند. سوالی که مطرح می شود این است که آیا باید انتظار داشت که پزشکان همچنان کاربران نهایی ساده ای باشند یا اینکه آیا باید در مورد الگوریتم های یادگیری ماشینی که می تواند به طور بالقوه ای تصمیم گیری تشخیصی در عمل بالینی را تسهیل کند، آموزش ببینند. اگر ارائه دهندگان مراقبت لزوماً با علوم محاسباتی و داده ها آشنا نباشند، در این صورت احتمال زیادی وجود دارد که این فن اوری ها ارزش خود را از دست بدهند.

 

     پزشکان و سایر ارائه دهندگان مراقبت نیز نقش مهمی در محافظت از بیماران و سایر ذینفعان خود در برابر مشکلات و کاربرد نامناسب فن اوری های یادگیری ماشین دارند. مهم است که ارزش واقعی یادگیری ماشین را از تبلیغات مبالغه آمیز فیلتر کنید، زیرا ارائه دهندگان مراقبت باید از اشتباهات یادگیری ماشینی، استفاده غیراخلاقی و ناخواسته و همچنین گزینه های پرهزینه تر آگاه باشند تا بتوانند بیماران را مدیریت کنند. به عنوان مثال، یک مطالعه اخیر نشان داد که سیستم های هوش مصنوعی برای تشخیص کووید-۱۹ با استفاده از رادیوگرافی قفسه سینه می توانند از میانبرهای جعلی حتی در صورت آزمایش روی مجموعه داده های خارجی اطلاع پیدا کنند، بنابراین لازم است از پروتکل‌های اعتبارسنجی قوی‌تر و تکنیک‌های قابل تفسیری برای ارزیابی سیستم‌های هوش مصنوعی پزشکی استفاده شود (۴). از سوی دیگر، این مطالعات، مشکلات رایج مربوط به توسعه مدل‌های هوش مصنوعی پزشکی (۵)، و مسائل بالقوه اجباری بودن توضیح مدل به عنوان یک نیاز برای استقرار بالینی (۶) را نشان داده اند. در مورد موضوعات مختلف دیگر، از جمله اهمیت و اعتبار مدل، اخلاق و اعتماد (۷)، حریم خصوصی و امنیت (۸) و همچنین هزینه و کارایی بحثهای مختلفی انجام شده است (۹). شواهد بدست آمده از همه این مطالعات، باید جامعه بالینی را ترغیب کند تا به درک خوبی در یادگیری ماشین دست یابد (۱۰) و بدین ترتیب آنها را قادر سازد تا با استفاده روزافزون از این فن اوری ها در مراقبت های بهداشتی به راحتی برسند.

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.