مجله تخصصی

---

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.

---

---

مقدمه و اهداف: از واژه‌ی عمومی نئوپلازی‌های تروفوبلاستیک حاملگی (GTN) برای توصیف طیف وسیعی از بیماری‌های بدخیم تروفوبلاست که در برگیرنده‌ی مول مهاجم، کوریوکارسینوما، تومور اپیتلوئیدی تروفوبلاست و تومور تروفوبلاستی محل جفت است؛ استفاده می‌شود. این مطالعه با هدف پیش‌بینی ابتلا به GTN در افراد مبتلا به حاملگی مولار در شهر تهران انجام گرفته است.

روش کار: در این مطالعه تمام موارد مربوط به مول کامل و نسبی که حداقل 4 تیتر β-hCG برای آن‌ها ثبت شده بود؛ وارد مطالعه شدند. در مرحله پیش و پس از برازش مدل مناسب برای محاسبه سطح زیر منحنی مربوط به هر متغیر پیشگویی کننده ابتدا نوع ارتباط- خطی یا غیر خطی بودن- با استفاده از روش‌های(locally weighted scatter plot smoothing)  Lowess Smoother و (Fractional polynomial regression) Fracpoly تعیین و سپس برای ترسیم نمودار ROC از مدل متناسب با برازش داده‌ها استفاده ‌شده است.

نتایج: آنالیز ناپارامتریک مربع کای‌ نشان داد که بین مؤلفه‌های یک حاملگی مولار پر خطر و ابتلای افراد به GTN ارتباط معنی‌داری وجود نداشت (39/0P=). در مجموع از 201 مورد حاملگی مولار، 61 نفر (30 درصد) دارای یکی از مؤلفه‌های وجود حاملگی مولار پر خطر با خود هستند. منحنی راک با سطح زیر منحنی 86/0 نشان داد که شیب خط رگرسیونی غلظت هورمون β-hCG با حساسیت 73 درصد و ویژگی 88 درصد به عنوان یک متغیر پیش‌بینی کننده‌ی مناسب قابلیت استفاده دارد.

نتیجه‏ گیری: پیشنهاد می‌شود، تیتر روز 21ام و شیب خط رگرسیونی هورمون HCG به عنوان یک متغیر ممیزی برای افرادی که دچار GTN شده و آن‌هایی که بهبود خودبه‌خودی بوده‌اند؛ استفاده شود.

---

مقدمه و اهداف: با توجه به روند رو به رشد سرطان روده­بزرگ در ایران در سال‌های اخیر، پیش‌بینی پیامد سرطان و اطلاعات بالینی پایه مربوط به آن بااهمیت است. روش‌های داده‌کاوی در پیش‌بینی و تشخیص سرطان‌ها می‌تواند مورداستفاده قرار گیرند. هدف از انجام این مطالعه تعیین عملکرد دو الگوریتم پیش‌بینی کننده ماشین بردار پشتیبان و بگینگ در پیش‌بینی بقاء بیماران مبتلا به سرطان روده بزرگ است.
روش کار: جمعیت موردمطالعه 570 بیمار مبتلا به سرطان روده­بزرگ با مرحله تومور 1 تا 4، مراجعه‌کننده به بخش پرتودرمانی بیمارستان نمازی شیراز شامل 338 بیمار زنده و 232 بیمار فوت‌شده از سال 1385 تا 1390 می‌باشند. برای پیش‌بینی بقاء بیماران مبتلا به سرطان روده­بزرگ از روش ماشین بردار پشتیبان و روش بگینک استفاده شد. برای تحلیل داده‌ها نیز از نرم‌افزار Weka نسخه 3.6.10 استفاده گردید.
یافته‌ها: بیشترین و کمترین محل قرارگیری تومورها مربوط به رکتوم و کولون چپ و به میزان 51 و 9 درصد بود. روش درمانی در بیش از 80% از بیماران نیز ابتدا عمل جراحی و سپس شیمی‌درمانی و یا رادیوتراپی بود. در عملکرد دو الگوریتم بر اساس صحت،‌ ویژگی و حساسیت محاسبه‌شده از ماتریس درهم‌ریختگی تعیین، مورداستفاده قرار گرفت. به ترتیب میزان صحت، ویژگی و حساسیت در الگوریتم ماشین بردار پشتیبان 4/84،‌ 80 و 5/87 درصد و در الگوریتم بگینگ 2/83،‌ 75 و 88 درصد به دست آمد.
نتیجه‌گیری: نتایج حاصل از این مطالعه نشان داد که هر دو روش حساسیت و ویژگی قابل قبولی در پیش‌بینی بقاء بیماران مبتلا به سرطان روده­بزرگ دارند اما ماشین بردار پشتیبان از میزان صحت بیشتری برخوردار بود

---

مقدمه و اهداف: زایمان یکی از مهم‌ترین خدمات ارائه‌شده در نظام‌های بهداشتی و درمانی است و منابع انسانی با ارزش‌ترین عامل تولید و ارائه خدمت به شمار می‌رود که افزایش بهره‌وری و کارایی آن از اهمیت زیادی برخوردار است. لذا مطالعه حاضر باهدف پیش‌بینی تعداد زایمان و به‌منظور برنامه‌ریزی برای به‌کارگیری تمامی امکانات برای ارائه خدمت بهتر در جهت تأمین رضایت بیماران انجام شد.
روش کار: داده‌های مورداستفاده در این مطالعه تعداد موارد ماهیانه زایمان انجام‌شده در بیمارستان حکیم جرجانی شهرستان گرگان طی سال‌های 1389 تا 1394 بود. با توجه به بیش‌پراکنش موجود در داده‌ها و عدم تبعیت آن‌ها از توزیع پوآسن، از مدل پوآسن مارکف پنهان به‌منظور پیش‌بینی فراوانی ماهیانه زایمان استفاده شد. برآورد پارامترهای مدل با روش درستنمایی ماکزیمم و الگوریتم EM انجام گرفت. از نرم‌افزار R ویراست 3.2.3 برای تحلیل داده‌ها استفاده شد.
یافته‌ها: استفاده از معیار آکائیک نشان داد که فراوانی تعداد زایمان در ماه‌های مختلف در این بیمارستان از یک مدل پوآسن مارکف پنهان با 3 وضعیت پنهان تبعیت می‌کند و پارامتر میانگین توزیع پوآسن در هر یک از مؤلفه‌ها به ترتیب 74/193، 05/236 و 61/272 زایمان بود.
نتیجه‌گیری: نتایج این تحقیق نشان داده سیاست‌های تشویقی دولت بر افزایش باروری، نتیجه کوتاه‌مدت و محدودی داشته و بر روی نتایج پیش‌بینی دوساله این مطالعه اثر ناچیزی دارد.

---

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.

---

مقدمه و اهداف: آمبولی ریه یک رویداد بالقوه کشنده و در عین حال شایع است که در سال‌های اخیر باعث افزایش تدریجی تعداد بستری‌های ناشی از آن در بیمارستان‌ها شده است. به همین دلیل، یکی از چالش برانگیزترین بیماری‌ها نزد پزشکان به حساب می‌آید. هدف اصلی از این پژوهش، گزارش یک پروژه تحقیقاتی به منظور مقایسه الگوریتم‌های مختلف داده‌کاوی برای انتخاب دقیق‌ترین مدل برای پیش‌بینی وقوع آمبولی ریه در بیماران بستری است که به فراهم کردن دانش مورد نیاز کادر درمانی در تصمیم‌گیری بهتر کمک می‌کند.

روش کار: در این پژوهش تلاش شد تا با استفاده از روش‌های مختلف یادگیری ماشین، یک مدل پیش‌بینی طراحی شود که بهترین عملکرد در پیش‌بینی احتمال وقوع آمبولی ریه در بیماران بستری در معرض خطر را داشته باشد. از میان الگوریتم‌های داده‌کاوی، از شبکه‌های بیزی و الگوریتم‌های درخت تصمیم J48، رگرسیون لجستیک و نیز بهینه‌سازی حداقل متوالی استفاده شد. داده‌های مورد استفاده تحقیق، عوامل خطرزا و سوابق گذشته مربوط به بیماران بستری بخش ریه بیمارستان شریعتی تهران بود.

یافته‌ها: بررسی‌ها صورت گرفته نشان می‌دهد که صحت و ویژگی در تمام مدل‌‌های پیش‌بینی از عملکرد مطلوبی برخوردار بوده است، و مدل بیزی در پیش‌بینی وقوع آمبولی ریه، بیشترین میزان حساسیت را داشت.

نتیجه‌گیری: یافته‌ها نشان می‌دهند اگر چه تفاوت کمی در عملکرد مد‌ل‌های پیش‌بینی وجود دارد، اما در این گونه داده‌ها برای پیش‌بینی وقوع آمبولی ریه در بیماران بستری، مدل شبکه بیزی ابزار مناسب‌تری است، که می‌تواند به‌عنوان روش حمایتی در کنار تصمیم‌های پزشکی قرار گیرد تا صحت پیش‌بینی بیماری‌ها را ارتقاء بخشد.