فریبا صلاحی، نسترن فرج پور،
دوره ۲۰، شماره ۲ - ( ۶-۱۴۰۰ )
چکیده
زمینه و هدف: امروزه شاهد پیشرفتهای شگرف در زمینه دادهکاوی دادههای پزشکی هستیم. دادههایی که با تجزیه و تحلیل و کشف روابط بین آنها میتوان به الگوریتمهایی رسید که در پیشگیری و یا درمان بسیاری از بیماریها به ما کمک میکنند. در این بین بیماریهای ژنتیکی بخش اعظمی از توجه دنیای پزشکی را به خود اختصاص دادهاند زیرا تولد کودکان مبتلا به ناهنجاریهای ژنتیکی بار مالی، روانی و عاطفی زیادی به جامعه تحمیل میکند. بنابراین هدف این مطالعه ارائه الگوریتمی به عنوان یک آزمایش غربالگری ثانویه قبل از انجام تستهای سلولی و مولکولی است.
مواد و روشها :در این تحقیق ۱۰۰۰ پرونده مربوط به زنان بارداری که بعد از آزمایشات غربالگری در گروه ریسک متوسط یا بالا قرار داشتند مورد مطالعه قرار گرفت. اطلاعات بالینی آنها ذخیره گردید، پاکسازی و حذف دادههای و یکپارچهسازی رکوردها صورت گرفت سپس با استفاده از نرمافزار spss modeler، دادهکاوی و کشف روابط بین دادهها صورت گرفت و در انتها الگوریتم مناسب برای شناسایی بیماریهای ژنتیکی مشخص گردید.
نتایج: با اعمال پنج الگوریتم، شبکههای عصبی، ماشین بردار پشتیبانی، درخت تصمیم دودویی، درخت تصمیم چندتایی و رگرسیون لجستیک بر روی دادهها، مشخص گردید الگوریتم شبکههای عصبی با دقت ۹۷,۵۲۲% بیشترین میزان موفقیت را در تشخیص بیماریهای ژنتیکی – کروموزومی قبل از تولد را دارا میباشد.
نتیجهگیری:استفاده از الگوریتم شبکه های عصبی به عنوان یک آزمایش غربالگری سبب میگردد که تعداد افراد کمتری کاندید انجام تستهای پرهزینه و خطرناک سلولی و مولکولی قرار گیرند و میتواند به عنوان ابزاری در راستای کمک به کشف بیماریها در دنیای پزشکی مورد استفاده قرار گیرد.
