دکتر محمد دوستی زاده نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری 5 17 2025 11 24 Investigating Big Data Management in Drug-Drug Interactions Based on Modern Deep Learning Approach for Smart Medicine and Healthcare بررسی مدیریت کلان داده در تداخل دارو با دارو براساس رویکرد یادگیری عمیق مدرن برای پزشکی و مراقبت های بهداشتی هوشمند 34 56 10.22051/jera.2021.31891.2698 FA مهدی گروه حسابداری، موسسه آموزش عالی شمیم دانش نوین، اردبیل، ایران 2025 10 09 Detecting and classifying drug-drug interactions (DDI) from available data is of great importance as reports indicate that DDI is one of the leading causes of hospital-acquired conditions. Also, for smart healthcare to avoid adverse drug interactions, having up-to-date knowledge about DDI is essential. This knowledge can be extracted using text processing techniques in the medical literature in the form of "big data". The medical literature is published in huge volumes, and it is impossible for health care professionals to collect all the peer-reviewed reports from this big data. To avoid this time-consuming method, information extraction (IE) and relation extraction (RE) techniques, which have been deeply studied in natural language processing (NLP). Current state-of-the-art implementations for extracting DDIs from biomedical texts use support vector machines (SVMs) or other machine learning methods that operate on manually defined features. Modern deep learning techniques have also been applied to automatically extract DDIs from scientific texts and have proven to be very promising for the advancement of DDI extraction tasks. We proposed a deep neural network-based method (SEV-DDI: Drug Interference Severity) with more integrated layers to achieve higher precision and accuracy. The ability to determine DDI severity would be very useful for more accurate and informed clinical decision support systems. تشخیص و طبقه بندی تداخلات دارو با دارو (DDI) از داده های موجود از اهمیت بالایی برخوردار است زیرا گزارش ها نشان می‌دهد که DDI یکی از دلایل اصلی شرایط اکتسابی در بیمارستان است. همچنین برای مراقبت های بهداشتی هوشمند برای جلوگیری از تداخلات دارویی نامطلوب، داشتن دانش به روز در مورد DDI ضروری است. این دانش را می توان با استفاده از تکنیک های پردازش متن در ادبیات پزشکی در قالب «کلان داده» استخراج کرد. ادبیات پزشکی در حجم بسیار زیادی منتشر می شود، و جمع آوری تمام گزارش های بررسی شده از این کلان داده برای متخصصان مراقبت های بهداشتی غیرممکن است. برای جلوگیری از این روش زمان‌بر، تکنیک های استخراج اطلاعات (IE) و استخراج رابطه (RE) که به طور عمیق در پردازش زبان طبیعی (NLP) مورد مطالعه قرار گرفته اند. پیشرفته ترین پیاده سازی های فعلی برای استخراج DDIها از متون زیست پزشکی، از ماشین های بردار پشتیبان (SVM) یا سایر روش های یادگیری ماشینی استفاده می کنند که بر روی ویژگی های تعریف شده دستی کار می کنند. تکنیک های مدرن یادگیری عمیق نیز برای استخراج خودکار DDIها از متون علمی به کار گرفته شده اند و ثابت کرده اند که برای پیشرفت وظایف استخراج DDI بسیار امیدوارکننده هستند. ما یک روش مبتنی بر شبکه عصبی عمیق (SEV-DDI: شدت تداخل دارو) با چند لایه یکپارچه تر برای دستیابی به دقت و دقت بالاتر پیشنهاد کردیم. توانایی تعیین شدت DDI برای سیستم های پشتیبانی تصمیم گیری بالینی دقیق تر و آگاهانه تر بسیار مفید خواهد بود. /downloadfilepdf/2228355