الفهرس 
INTRODUCTIONOnly 14 pages are availabe for public view
 |  | from | 112 |  |  |
| | | from | 112 | | |
Abstract
”تستخدم نظم المعلومات الذكية خوارزميات وتقنيات التعلم الآلي والتعلم العميق لمعالجة وتحليل البيانات، مستخرجة رؤى ذات قيمة واتخاذ قرارات مستنيرة.عندما يتم دمج هاتين الفكرتين، يمكن لنظم المعلومات الذكية المعتمدة على تحليل بيانات الاستشعار أن تحدث ثورة في التطبيقات الطبية بعدة طرق: 1) التشخيص والكشف المبكر< 2) العلاج المخصص: تحسين نتائج المرضى< 3) مراقبة المرضى: تعزيز توصيل الرعاية الصحية< 4) التحليل التنبؤي< 5) أنظمة دعم القرار وقامت هذه الدراسه علي تطوير نظام معلومات ذكي لتشخيص متلازمة النفق الرسغي ( (CTS من خلال تحليل بيانات الاستشعارمن جهازرسم العصب(NCS) والبيانات الشخصيه والطبيه . متلازمة النفق الرسغ (CTS) هي حالة طبية شائعة ناتجة عن ضغط العصب الوسطي في اليد، وغالبًا ما يسببها الاستخدام المفرط أو عوامل مرتبطة بالعمر. في هذه الدراسة، شارك مجموعة من المرضى يبلغ عددهم 160، بما في ذلك 80 فردًا يعانون من CTS بمستويات مختلفة من الشدة (خفيفة ومتوسطة وشديدة) في فئات عمرية مختلفة ومرضى آخرين يعانون من أمراض أخرى تتشابه في الأعراض مع CTS، مثل التمزق التدريبي للأوتار في الإصبع واعتلال الجذور الرقبية وعصبية الأطراف الطرفية. أجريت العديد من الدراسات لاستكشاف استخدام تقنيات التعلم الآلي (ML) والتعلم العميق (DL) لتشخيص CTS. ومع ذلك، يتطلب المزيد من البحث للاستفادة الكاملة من إمكانات تقنية الذكاء الاصطناعي (AI) في تشخيص CTS، مع معالجة التحديات والقيود التي أشير إليها في الأدبيات الموجودة. في عملنا، نقترح نهجًا جديدًا لتشخيص CTS وتوقعه ومراقبة تقدم المرض. لذلك، أولا : قامت هذه الدراسة بتطوير نموذج تصنيف جديدة لتحديد شدة CTS باستخدام خوارزميات ML. حققت النماذج المقترحة نتائج واعدة بنسبة دقة تبلغ 0.955% ودقة تصنيف تبلغ 0.963% ودقة استدعاء تبلغ 0.919% . ثانيا : قمنا بتطوير نموذج تعلم الآلة ML يتنبأ بإمكانية تحسن المريض بعد عملية حقن التمزق بناءً على البيانات المجمعة بعد ثلاثة أشهر مختلفة (شهر واحد وثلاثة أشهر وستة أشهر). حقق النموذج المقترح دقة بعد ستة أشهر بنسبة 0.912%، بعد ثلاثة أشهر بنسبة 0.901%، وبعد شهر واحد بنسبة 0.877%. الأداء العام للتنبؤ بالنتائج بعد ستة أشهر يتفوق على التنبؤ بعد شهر واحد وثلاثة أشهر. ثالثا : استخدام ثلاثة نماذج تعلم عميق مختلفة لتشخيص CTS. من خلال تجاربنا، يظهر النهج المقترح أداءً متفوقًا عبر عدة مقاييس تقييم (Optimizers)وكان اكثرهم تفوق ال Adam، مع دقة تبلغ 0.969%، ودقة تصنيف تبلغ 0.982%، ودقة استدعاء تبلغ 0.963%. رابعا: توقع المساحة المقطعية العرضية (CSA) بعد مرور 1 و 3 و 6 أشهر باستخدام نماذج ML، بهدف توقع تقدم المرض أثناء العلاج. يحقق أفضل نموذج أداءً بنسبة دقة تبلغ 0.9522، ونقطة R2 تبلغ 0.667، وخطأ مطلق متوسط (MAE) يبلغ 0.0132، ومربع الخطأ المتوسط (MdSE) يبلغ 0.0639. يتم ملاحظة أعلى أداء توقع بعد 6 أشهر. خامسا: تختتم الدراسة باستخدام SHAP لتوفير تفسير مفهوم للتنبؤات النهائية. بشكل عام، تقدم دراستنا نهجًا شاملاً لتشخيص وتوقع ومراقبة CTS، مع عرض نتائج واعدة من حيث الدقة والاستدعاء لتشخيص CTS، وكذلك التنبؤ الفعال بتقدم المرض وتقييم فعالية العلاج . محتوى الرسالة: تقع الرسالة في ( 6 ) فصول كالتالي: الفصل الأول: يعرض هذا الفصل مقدمة عامة عن التقدم السريع في مجال الذكاء الاصطناعي (AI) وتطبيقه في الرعاية الصحية، ولا سيما في تشخيص وعلاج حالات طبية مثل متلازمة النفق الرسغي (CTS). بالإضافة يعرض هذا الفصل الأهداف الرئيسية للرسالة وأهمية وأسهامات الرسالة، وكذلك الصعوبات والعقبات التي واجهت الباحثة واخيرا تم تقديم مختصر لفصول هذه الرسالة. الفصل الثانى: يقدم هذا الفصل بعض أهم وأحدث الدراسات والاعمال البحثية السابقة والخوارزميات المستخدمة في اقتراح وبناء نظام ذكي مقترح مرتبط بموضوع الرسالة مع عرض نتائجها ومميزاتها و قصورها. الفصل الثالث: هذا الفصل يقدم نظرة شاملة على البيانات التي تدعم هذه الدراسة ويقدم رؤية حول جمعها وتكوينها، وتم التركيز على الأهمية لكل مكون من مكونات البيانات، حيث تمثل هذه المكونات معًا أساس لتحليل متلازمة النفق الرسغي (CTS)وتطوير نهج تشخيص وعلاج مبتكرة. الفصل الرابع: فى هذا الفصل من الرسالة تم اقتراح و تطبيق: - نموذج bagging using random forest معتمدا علي bootstrap sampling technique وتطبيق هذا النموذج على قاعدة بيانات CTS و مقارنتها ببعض طرق التعلم الآلي التقليدية .وهدف النموذج يتنبأ بتشخيص متلازمة النفق (CTS) يصنف بين المرضى الذين يعانون من CTS وبين الذين ليسوا يعانون منها وكذلك يتنبأ بتحسين حالة صحة المريض بعد عملية الحقن بعد مضي 1 و 3 و 6 أشهر. - تم بناء ثلاثة نماذج DL مختلفة باستخدام ثلاثة محسنين مختلفين: Stochastic Gradient Descent (SGD)، adaptive gradient algorithm(Adagrad)، Adam. أُجريت التجربة الأولى باستخدام النموذج بدون البيانات التاريخية(historical data)، والتجربة الثانية باستخدام البيانات التاريخية، مما يظهر كيفية تأثير البيانات التاريخية بشكل ملموس على توقع تشخيص متلازمة قناة الرسغ (CTS). - بناء نموذج ML لتوقع منطقة المقطع العرضي (CSA) بعد مرور شهر واحد، وثلاثة أشهر، وستة أشهر. وكان هذا النموذج multilayer perceptron (MLP)ومقارنته بال .Random Forest (RF) >الفصل الخامس: في هذا الفصل تم وصف وعرض للتجارب العملية التى تم إجراؤها لتقييم النماذج المقترحة ومناقشة أدائها باستخدام معايير مختلفة يتم تنفيذها على مجموعة بيانات CTS. كما يقدم هذا الفصل المقاييس المستخدمة في تقييم النتائج لهذه التجارب مع تحليل النتائج المستخلصة منها وتحليلها ومقارنتها بنماذج و طرق أخرى. الفصل السادس: يناقش هذا الفصل الاستنتاجات المستخلصة والتي تم الحصول عليها من تطبيق ودراسة النماذج المقترحة فى هذه الرسالة مع تقديم لبعض الأفكار لتطويرها مستقبلا للحصول على أداء أفضل. ”