مجله

---

مقدمه: سندرم تخمدان پُلی‌کیستیک (PCOS) با اختلالات متابولیکی، هورمونی و ژنتیکی همراه است. فقدان بیومارکرهای تعریف شده، امکان تشخیص را دشوار می‌کند. مدل‌های ترکیبی با دقت بالا امکان تشخیص زودهنگام را فراهم می‌کند. هدف مطالعۀ حاضر آموزش مدل به روش ترکیبی با شاخص‌های متابولیک و تولیدمثلی برای تشخیص زودهنگام و ارائۀ راهکارهای سبک زندگی سالم است.
روش‌ها: داده های 7000 زن بارور و نابارور مبتلا و غیر مبتلا به سندرم تخمدان پُلی‌کیستیک  پردازش و سپس دیتاستی از 550 زن تهیه و با استفاده از جنگل تصادفی (RF) گروه 7 تایی، 10 تایی و 15 تایی از مهم‌ترین ویژگی‌ها انتخاب و برای آموزش مدل‌های ترکیبیVoting classifier, LG, SVC, XGBoost استفاده شد.
یافته‌ها: پس از انتخاب سه گروه از مهم‌ترین ویژگی‌ها و آموزش مدل‌ها، مدل یادگیری جمعی به روش اکثریت آرا با دقت بالای 95 درصد توانست سندرم تخمدان پُلی‌کیستیک را تشخیص دهد. هورمون آنتی مولرین (AMH) به‌عنوان یک ابزار تشخیصی مهم تلقی می‌شود. به‌علاوه، از هورمون‌های جنسی و شاخص‌هایی نظیر قند ناشتا، کلسترول تام، کلسترول لیپوپروتئین پُرچگال، ویتامین د3 و هورمون‌های تیروئیدی می‌توان برای تشخیص زودهنگام این سندرم استفاده نمود.
نتیجه‌گیری: شناسایی اولیه سندرم تخمدان پُلی‌کیستیک از طریق مدل‌های یادگیری ماشین بدون آزمایش‌های گران‌قیمت با دقت بالا امکان‌پذیر است که به پزشکان و بیماران کمک می‌کند تا تصمیمات آگاهانه‌تری بگیرند و پیامدهای مضر درازمدت آن را کاهش دهند.