10 نتیجه برای نوع
حمید رضا خلخالی، ابراهیم حاجی زاده، انوشیروان کاظم نژاد، علی غفاری مقدم،
دوره 6، شماره 2 - ( 6-1389 )
چکیده
مقدمه و اهداف: از نظربالینی، بیماران با اختلال عملکرد مزمن کلیه پیوندی، سیر پیشرونده‌ای در تخریب کلیه دارند و طی 5 مرحله به رد پیوند می‌رسند. پیشبینی این روند مورد علاقه نفرولوژیست‌ها است. در این مقاله این فرآیند را با دو توزیع احتمال ارلانگ و
هپیو– نمایی بعنوان توزیع‌های فاز- نوع، مطالعه کردیم.
روش کار: در یک مطالعه تک مرکزی گذشته‌نگر، 214 بیمار با اختلال عملکرد مزمن کلیه پیوندی مراجعه کننده به بیمارستان امام علوم پزشکی ارومیه طی سالهای 1376 تا 1384 بررسی گردید. عملکردکلیه باشاخص GFR ارزیابی شد و برمبنای راهنمای بالینی NKF و KCOQI طبقه‌بندی گردید.
نتایج: در این بیماران، خطر گذر از مرحله 1 به 2 برابر 0378/0، برای مرحله 2 به 3 برابر 04/0، برای مرحله 3 به 4 برابر 0458/0 و مرحله 4 به 5 برابر 0541/0 با ازاء هر ماه انتظار در آن مرحله است. میانگن و میانه زمان انتظار برای رد پیوند به ترتیب 63/91 و 84 ماه برآورد شد احتمال بقاء پیوند تا ماه‌های 18 ام، 58 ام، 118ام و 155ام بعد از پیوند به ترتیب 99/0، 75/0، 25/0 و 10/0 است.
نتیجه‌گیری: یافته‌های این روش تحلیل آماری، کاملاً با تئوری‌ها پیرفیلتراسیون در بیماران مزمن کلیوی تطابق دارد و اطلاع بیشتری از فرآیند دینامیکی بیماری می‌دهد که در فهم پاتولوژی بیماری و مدیریت بهترآن کمک می کند.
اکبر بیگلریان، ابراهیم حاجی زاده، انوشیروان کاظم نژاد،
دوره 6، شماره 3 - ( 9-1389 )
چکیده
مقدمه و اهداف: یکی از روش‌های تحلیل داده‌های بقا، استفاده از مدل‌های پارامتری است که در آن باید توزیع زمان بقا مشخص باشد. در چند دهه اخیر، از مدل شبکه عصبی مصنوعی نیز برای پیشبینی داده‌های بقا استفاده شده است. هدف این مطالعه، پیشبینی بقای بیماران مبتلا به سرطان معده به کمک دو مدل پارامتری و مدل شبکه عصبی مصنوعی است.
روش کار: طی سالهای 1381 لغایت 1385، تعداد 436 بیمار مراجعه کننده با تشخیص قطعی سرطان معده که در بخش گوارش بیمارستان طالقانی تحت عمل جراحی قرار گرفتند به صورت همگروه تاریخی مطالعه شدند. داده‌ها به تصادف به دو گروه آموزشی و آزمایشی تقسیم شدند. برای تحلیل داده‌ها از یک مدل پارامتری مناسب (از بین مدل‌های نمایی، وایبول، نرمال، لگ نرمال، لجستیک و لگ لجستیک) و مدل شبکه عصبی مصنوعی سه لایه استفاده شد. برای مقایسه پیش‌بینی‌های دو مدل، از سطح زیر منحنی مشخصه عملکرد، صحت کلاس‌بندی و شاخص هماهنگی استفاده شد.
نتایج: صحت پیشبینی مدل شبکه عصبی برابر 45/79 درصد و مدل پارامتری مناسب (وایبول) برابر 97/73 درصد گردید. سطح زیر منحنی مشخصه عملکرد برای مدل شبکه عصبی و پارامتری وایبول به ترتیب برابر 5/81 درصد و 8/74 درصد به دست آمد.
نتیجه‌گیری: مدل شبکه عصبی مصنوعی نسبت به مدل پارامتری پیش‌بینی‌های بهتری نتیجه داد. لذا بکارگیری این نوع مدل‌ها در زمینه پیشبینی بقا پیشنهاد می‌شود. این امر در تحقیقات مرتبط با حوزه سلامت و به خصوص در تخصیص منابع درمانی لازم برای افرادیکه پرمخاطره پیشبینی می‌شوند بسیار با اهمیت است.
مرتضی سدهی، یداله محرابی، انوشیروان کاظم نژاد، وحید جوهری مجد، فرزاد حدائق،
دوره 6، شماره 4 - ( 12-1389 )
چکیده
مقدمه و اهداف: زمانی که در یک مطالعه متغیرهای پاسخ دارای مقیاس اندازه‌گیری متفاوت باشند، پاسخ‌ها را چندمتغیره آمیخته می‌گویند. با توجه به محدودیت‌ها و برقرارنبودن برخی پیش فرض‌ها، روش‌های کلاسیک آماری برای مدل‌بندی و پیشبینی این نوع پاسخ‌ها کارایی ندارند. هدف این مطالعه، طراحی شبکه عصبی مصنوعی برای مدل‌بندی و پیش‌ینی پاسخ‌های دومتغیره آمیخته است.
روش کار: این مطالعه شامل سه مرحله طراحی مدل، شبیه‌سازی و برازش مدل بر داده‌های واقعی است. پس از طراحی مدل، با در نظر گرفتن پارامترهای مختلف، دو مجموعه داده شبیه‌سازی و مدل‌های یک متغیره و دومتغیره مورد ارزیابی قرار گرفتند. برای آموزش شبکه از الگوریتم شیب توام مقیاس شده و برای تعیین مناسب‌ترین مدل از معیار صحت پیشبینی استفاده شد. مدل پیشنهادی برای پیشبینی توام سندرم متابولیک و شاخص مقاومت به انسولین در مطالعه قند و لیپید تهران به‌کار گرفته شد. برنامه‌های رایانه‌ای در نرم‌افزارهایR 2.9.0 و MATLAB 7.6 طراحی و اجرا گردید.
نتایج: در مجموعه شبیه‌سازی اول، صحت پیشبینی در مدل‌های یک متغیره و دومتغیره تقریبا یکسان ولی در مجموعه شبیه‌سازی دوم، در مدل‌های دو متغیره نسبت به مدل‌های یک متغیره بیشتر است. در مدل‌های دو متغیره، صحت پیشبینی مدل با افزایش همبستگی متغیرهای پاسخ، بیشتر می‌شود. در داده‌های واقعی مدل با 10 گره در لایه میانی دارای بیشترین صحت پیشبینی است.
نتیجه‌گیری: تحقیق نشان داد، در حالتی‌که دو متغیر پاسخ با متغیرهای کمکی ارتباط دارند مدل دومتغیره نسبت به یک متغیره مناسب‌تر است و با افزایش همبستگی، صحت پیشبینی افزایش می‌یابد.
آذر اسد آبادی، عباس بهرامپور، علی اکبر حقدوست،
دوره 10، شماره 3 - ( 9-1393 )
چکیده
مقدمه و اهداف: در سالهای اخیر، توجه قابل ملاحظهای به مدل‌های آماری برای طبقه‌بندی داده‌های پزشکی با توجه به بیماری‌های مختلف و پیامدهای آن‌ها شده است. شبکه‌های عصبی مصنوعی به دلیل عدم نیاز به پیش‌فرض با موفقیت برای تشخیص الگو و پیشبینی در برخی از مطالعه‌های بالینی استفاده شدهاند. هدف از این مطالعه، مقایسه دو مدل آماری شبکه عصبی مصنوعی و رگرسیون لجستیک برای پیشبینی بقای بیماران مبتلا به سرطان پستان است.
روش کار: دو مدل برای داده‌های ثبت سرطان کرمان، جنوب شرق ایران، برای پیشبینی بقای هر بیمار به کار برده شدند. داده‌های مورد استفاده در این مطالعه شامل 712 بیمار مبتلا به سرطان پستان در گروه سنی 85-15 سال بود. برای مقایسه پیشبینی
بقا در داده‌های یاد شده، از مدل رگرسیون لجستیک و مدل شبکه عصبی مصنوعی پرسپترون سه لایه استفاده شد.
برای مقایسه و تعیین تفاوت دو مدل، از حساسیت، ویژگی، صحت پیشبینی و سطح زیر منحنی مشخصه عملکرد (ROC)
(Receiver Operative Characteristics) استفاده گردید.
نتایج: در این مطالعه، حساسیت و ویژگی دو مدل رگرسیون لجستیک و شبکه عصبی مصنوعی به ترتیب (594/0 و 70/0) و (621/0 و 723/0) به دست آمد. همچنین صحت و سطح زیر منحنی راک به ترتیب (688/0و 725/0) و (70/0و 725/0) برای دو مدل رگرسیون لجستیک و شبکه عصبی پرسپترون بود.
نتیجه‌گیری: یافته‌ها نشان می‌دهند اگرچه تفاوت کمی در دو مدل وجود دارد، اما در اینگونه داده‌ها برای پیشبینی بقای بیماران مبتلا به سرطان پستان، مدل شبکه عصبی مصنوعی ابزار مناسب‌تری میباشد.
سمانه اکبر پور، یونس جهانگیری، مجتبی لطفعلیان، ندا ظفری، داود خلیلی، مریم توحیدی، محمد علی منصورنیا، فریدون عزیزی، فرزاد حدائق،
دوره 11، شماره 2 - ( 6-1394 )
چکیده
مقدمه و اهداف: با توجه به اهمیت روند فاکتورهای خطر در افراد دیابتی و غیر دیابتی، این مطالعه به بررسی روند 10 ساله فاکتورهای خطر در این دو گروه و مقایسه آن پرداخته است .
روش کار: در این مطالعه از داده‌های مطالعه قند و لیپید تهران استفاده شد. بر اساس تعریف دیابت و معیارهای ورود و خروج، 1045 نفر دیابتی و 5136 نفر غیر دیابتی مورد آنالیز قرار گرفتند. برای بررسی روند از مدل معادلات برآوردی تعمیم یافته
(Generalized Estimation Equation) استفاده گردید. در همه‌ی مدل ها سن به عنوان متغیر مخدوش‌کننده تعدیل شد. روند تغییرات در دیابتی‌ها و غیر دیابتی‌ها با بررسی اثر متقابل آن‌ها مقایسه گردید.
نتایج: یک روند نزولی در تغییرات سطح کلسترول، تری‌گلیسیرید و LDL-C و non-HDL-C در هر دو گروه دیده شد، اما هنوز 60 درصد از افراد دیابتی تا انتهای مطالعه به سطح کنترلیHDL-C و LDL-C نرسیده‌اند. زنان دیابتی با گذشت زمان، سطح بالاتری از کنترل فشار خون را تجربه میکنند؛ البته با این وجود، هنوز هم حدود 60 درصد از مردان و زنان دیابتی در انتهای مطالعه فشار خون بالا دارند. روند چاقی عمومی و مرکزی در افراد غیر دیابتی روند فزاینده نشان داده است، اما در افراد دیابتی این روند تنها در چاقی مرکزی دیده شده است.
نتیجه‌گیری: نتایج این مطالعه نشان می‌دهند که در میان فاکتورهای خطر بیماری‌های قلبی- عروقی کلسترول خون مورد توجه بیشتری قرار گرفته است و این در حالی است که فاکتورهای خطر اصلی دیگر مانند فشار خون، شاخص توده بدنی مورد غفلت قرار گرفته‌اند.
محمد رضا افلاطونیان، ایرج شریفی، محمد رضا شیرزادی، بهناز افلاطونیان،
دوره 12، شماره 1 - ( 3-1395 )
چکیده
مقدمه و اهداف: از آن‌جایی که مخزن و میزبان لیشمانیوز پوستی نوع شهری انسان است، بنابراین، تشخیص سریع و درمان مناسب دارویی، اقدامی اساسی برای کنترل بیماری میباشد. این مطالعه با هدف تأثیر بیماریابی فعال و درمان به موقع در کنترل لیشمانیوز پوستی نوع شهری در شهرستان بم انجام شد.
روش کار: این مطالعه نوعی کوهورت گذشته‌نگر با مداخله طبیعی است که در مرکز اختصاصی درمان لیشمانیوز پوستی از سال 86 طی مداخله‌ای با برنامه بیماریابی فعال و ارجاع افراد مظنون در شهر بم ، اجرا شد. برای مقایسه مرکز مشابهی در شهر کرمان که به صورت غیرفعال مدیریت می‌شد؛ به عنوان شاهد انتخاب گردید. داده‌های ثبت شده بیماران مورد تجزیه و تحلیل آماری قرار گرفت. سطح معنی‌داری P≤0.05 در نظر گرفته شد.
نتایج: میزان بروز بیماری طی سالهای 86-1382 به طور مستمر تا 3 درصد افزایش نشان داد. پس از مداخله، موارد بیماری به تدریج تا کم‌تر از 1 درصد کاهش یافت، در حالی‌که در منطقه شاهد موارد بیماری هم‌چنان رو به افزایش بود. میزان بهبودی و شکست در درمان تفاوت معنی‌داری را در قبل و پس از مداخله و همچنین با مرکز شاهد نشان نداد. میزان اثربخشی این مداخله در حدود 85 درصد محاسبه گردید.
نتیجه‌گیری: بیماریابی فعال و درمان به هنگام لیشمانیوز پوستی نوع شهری روشی مؤثر در کنترل بیماری بویژه در هنگام طغیان می باشد. تجربیات زلزله بممی‌تواند الگوی مناسبی برای مناطق اندمیک لیشمانیوز پوستی نوع شهری در سطح ملی و جهانی باشد.
سحر حمزه، علیرضا سلطانیان، جواد فردمال،
دوره 12، شماره 4 - ( 11-1395 )
چکیده
مقدمه و اهداف: فاصله اطمینان توزیع دو جمله‌ای با پارامتر p، باید دقیق و دارای احتمال پوششی α-1 به ازای همه مقادیر P باشد. در این مطالعه خطای اسمی نوع اول و احتمال پوششی فاصله‌های اطمینان کلوپر- پیرسون، والد، ویلسون و تبدیل آرک سینوس مکرر مقایسه شدند.
روش کار: به منظور مقایسه‌ی برآورد فاصله اطمینان حاصل از چهار روش فوق، از شبیه‌سازی استفاده شد. داده‌ها 1000 بار از توزیع دوجمله‌ای و پوآسن با پارامترهای p، n و μ=np تولید شدند. برای شبیه‌سازی و تحلیل داده‌ها از نرم‌افزار R نسخه‌ی 3.0.2 استفاده شد.
یافته‌ها: یافته‌های حاصل از مطالعه شبیه‌سازی شده نشان داد تبدیل آرک سینوس مکرر حدود اطمینان را بین فاصله [0,1] نگه می‌دارد و احتمال پوششی مناسبی دارد، اما برای برخی از مقادیر p، خطای نوع اول بالا و احتمال پوششی پایینی دارد. فاصله اطمینان دقیق کلوپرپیرسون حدود اطمینان را بین فاصله [0,1] نگه می‌دارد و خطای نوع اول یا به‌طور عکس احتمال پوششی قابل قبول و خوبی دارد. سایر روش ها حدود اطمینان را به ازای مقادیر غایی p، بین نگه [0,1] نمی دارند.
نتیجه گیری: این مطالعه حاضر داد که برآورد فاصله اطمینان به روش کلوپر- پیرسون نسبت به سایر روش‌ها سطح اسمی خطای نوع اول را ثابت و کوچک‌تر محاسبه می‌کند.
لیلی تاپاک، نسرین شیر محمدی خرم، امید حمیدی، زهره مریانجی،
دوره 14، شماره 2 - ( 6-1397 )
چکیده
مقدمه و اهداف: شناسایی مدل‌های آماری دارای پیش‌بینی‌های دقیق در تعیین دقیق و به‌هنگام طغیان بیماری‌های عفونی در نظام مراقبت بهداشتی این بیماری‌ها بسیار با اهمیت است. این مطالعه با هدف ارزیابی و مقایسه عملکرد سه روش یادگیری ماشین در مدل‌سازی و پیشبینی سری زمانی بروسلوز بر اساس پارامترهای اقلیمی انجام شد.
روش کار: در این مطالعه موارد بروسلوز انسانی و پارامترهای اقلیمی به‌صورت ماهانه، در طول 12 سال (95-1383) از استان همدان واقع در غرب ایران تحلیل شد. داده‌ها به دو زیرمجموعه آموزش (80 درصد) و آزمون (20 درصد) تقسیم شد. روش‌های تابع پایه شعاعی و چند لایه پروسپترون و نزدیک‌ترین همسایه سری زمانی به هر زیرمجموعه برازش شد. ارزیابی عملکرد مدل‌ها با استفاده از معیارهای RMSE، MAE، MRAE، R2 و ICC انجام شد.
یافته‌ها: نتایج نشان داد که مقادیر معیارهای (79/23)RMSE، (56/20)MAE، (25/0)MRAE برای مدل شبکه عصبی چند لایه پرسپترون کوچک‌تر از مقادیر آن‌ها در دو مدل دیگر بود. همچنین، در این مدل مقادیر بزرگ‌تری برای معیارهای (61/0)R2 و (75/0)ICC به‌دست آمد. بنابراین مدل شبکه‌ی عصبی چند لایه پرسپترون در پیشبینی داده‌های مورد مطالعه عملکرد بهتری داشت. دما نسبت به سایر پارامترهای اقلیمی مؤثرترین عامل در بروز این بیماری بود.
نتیجه‌گیری: شبکه عصبی چندلایه پرسترون میتواند به‌عنوان یک روش کارا برای تشخیص رفتار روند بروسلوز در طول زمان به کار رود. با این حال مطالعات بیشتری با هدف کاربرد و مقایسه این روش‌ها برای شناسایی مناسب‌ترین روش پیشبینی روند این بیماری مورد نیاز است.
محمد جوانبخت، میثم ارگانی، کیوان عزی مند، عابدین ثقفی پور،
دوره 17، شماره 1 - ( 3-1400 )
چکیده
مقدمه و اهداف: شرایط محیطی در مناطق مختلف جغرافیایی زمینه را برای شیوع برخی از بیماری‌ها فراهم می‌کند. لیشمانیوز جلدی یک تهدید جدی برای سلامت عمومی جامعه محسوب می‌شود و در زمره بیماری‌های همه‌گیر منتقله به‌وسیله بندپایان است. شیوع و توزیع این بیماری تحت تأثیر عوامل محیطی و اقلیمی قرار دارد. مطالعه حاضر باهدف مدل‌سازی تغییرات مکانی زمانی بروز این بیماری براساس معیارهای محیطی و اکولوژیک انجام‌شده است.
روش کار: شمال شرق ایران به‌عنوان منطقه موردمطالعه انتخاب شد. داده‌های مورداستفاده در این تحقیق شامل پوشش گیاهی، دمای سطح، بارش، تبخیر و تعرق، رطوبت خاک، مدل رقومی ارتفاع و تعداد ساعات آفتابی بودند. برای مدل‌سازی تغییرات زمانی و مکانی لیشمانیوز جلدی از روش شبکه عصبی مصنوعی استفاده گردید.
یافته‌ها: تغییرات مکانی بروز این بیماری روندی شمالی- جنوبی دارد و از شمال به جنوب کاهش می‌یابد. همچنین دو کانون در مناطق با ارتفاع متوسط در دو استان خراسان شمالی و جنوبی شناسایی شد. تغییرات زمانی بروز بیماری در طی دوره نشان داد که از سال 1390 تا 1395 بروز در دو کانون شناسایی‌شده سیر نزولی داشته است.
نتیجه‌گیری: بر اساس نتایج مدل‌سازی مقدار ضریب رگرسیون برای مدل شبکه عصبی ساخته‌شده بر مبنای هر سه نوع دادهٔ آموزش، اعتبار سنجی، آزمون 92/0 بود که نشان‌دهنده کیفیت مناسب مدل شبکه عصبی ساخته‌شده است. همچنین نتایج آنالیز حساسیت نشان داد که ساعات آفتابی و رطوبت خاک بالاترین تأثیر در تابع مدل را داشته است.
منیره رحیم خانی، مریم گیلانی،
دوره 20، شماره 1 - ( 3-1403 )
چکیده
مقاومت آنتی بیوتیکی در سالهای اخیر افزایش قابل ملاحظهای داشته و از طرفی دیگر الگوریتمهای یادگیری ماشینی (ML) به طور فزایندهای در تحقیقات پزشکی و مراقبتهای بهداشتی به کار میروند.
در میان کاربردهای مختلف این روش‌های جدید، استفاده از آن‌ها در مبارزه با مقاومت ضد میکروبی (AMR) یکی از حیاتی‌ترین زمینه‌ها میباشد، زیرا افزایش مقاومت به آنتی‌بیوتیک‌ها و مدیریت عفونت‌های مقاوم به چند دارو چالش‌های مهمی هستند.
هر دو ابزار یادگیری ماشین تحت نظارت و بدون نظارت با موفقیت برای پیشبینی مقاومت آنتی بیوتیکی اولیه استفاده شدهاند و بنابراین از پزشکان در انتخاب درمان مناسب حمایت میکنند. یادگیری ماشین و هوش مصنوعی (AI) در ارتباط با پیشبینی مقاومت ضد میکروبی از علوم امروزی بوده و برنامه نظارت ضد میکروبی (ASP) برای بهینهسازی تجویز آنتیبیوتیک و محدود کردن AMR بایستی اجرا شود.
