fa مدل پیش بینی انسفالوپاتی هیپوکسی-ایسکمیک نوزادان با استفاده از داده کاوی فناوری اطلاعات سلامت Health Information Technology پژوهشی اصيل Original Research <div style="text-align: justify;"><span style="font-size:18px;"><span style="font-family:nasimYW;"><strong>زمینه و هدف:</strong> انسفالوپاتی هیپوکسیک-ایسکمیک نوزادی یک سندرم بالینی از اختلالات عملکرد مغزی است که به‌علت آسیب‌های ناشی از کمبود اکسیژن و خون‌رسانی در مغز حادث می‌شود. ایجاد مدل‌های پیش‌بینی می‌تواند راهنمای خوبی برای پزشکان در پیش‌بینی بیماری‌ها و مداخلات زودهنگام باشد. مطالعه‌ی حاضر با هدف ایجاد مدل پیش‌بینی انسفالوپاتی هیپوکسیک-ایسکمیک نوزادان با استفاده از الگوریتم‌های داده‌کاوی انجام شده است.<br> <strong>روش بررسی:</strong> این مطالعه از نوع کاربردی بود که به‌روش توصیفی انجام شد. ابتدا عوامل مؤثر در پیش‌بینی انسفالوپاتی هیپوکسیک-ایسکمیک نوزادی از طریق نظرسنجی متخصصان تعیین شد. مرحله‌ی دوم، اطلاعات مربوط به ۴۰۰۰ نوزاد از سامانه ایمان موجود در پایگاه داده وزارت بهداشت، درمان و آموزش پزشکی از سال ۱۳۹۹ تا ۱۴۰۰ جمع‌آوری شد که پس از مرحله‌ی پیش‌پردازش مجموعه‌ی داده با ۳۹۶۲ رکورد با ۱۳ ویژگی استخراج شد. سپس، مدل با استفاده از الگوریتم‌های شبکه‌های عصبی، انواع درخت تصمیم، جنگل تصادفی، ماشین‌بردار پشتیبان، رگرسیون لجستیک و شبکه بیزین طراحی شد. به‌منظور ایجاد مدل‌ها از زبان برنامه‌نویسی پایتون و نرم‌افزار آناکندا استفاده شد. در نهایت، سنجه‌های صحت، دقت، ویژگی، معیار‌های F۱ و سطح زیرمنحنی (Area Under the Curve (AUC)) برای ارزیابی و مقایسه‌ی عملکرد مدل محاسبه شد.<br> <strong>یافته‌ها:</strong> نتایج حاصل از پژوهش نشان داد که سطح زیرمنحنی مشخصه‌ی عملکرد گیرنده (Receiver Operating Characteristic (AUROC)) مدل‌های ایجادشده با استفاده از الگوریتم‌های رگرسیون لجستیک، شبکه عصبی، جنگل تصادفی، شبکه بیزین، ماشین‌بردار پشتیبان و درخت تصمیم به‌ترتیب برابر ۸۶، ۸۶، ۸۴، ۸۲، ۷۶ و ۷۴ درصد بود. بهترین کارایی به الگوریتم رگرسیون لجستیک با دقت ۸۱، صحت ۸۵ و ویژگی ۹۶ درصد اختصاص داشت. بیشترین میزان صحت مربوط به الگوریتم‌های رگرسیون لجستیک، شبکه عصبی مصنوعی و ماشین‌بردار پشتیبان و کمترین میزان سنجه‌ها مربوط به الگوریتم بیزین ساده بود. بالاترین میزان اهمیت ویژگی‌ها در مدل پیش‌بینی انسفالوپاتی هیپوکسیک-ایسکمیک مربوط به نمره آپگار در دقیقه اول پس از تولد و کمترین میزان اهمیت مربوط به تولد نوزاد خارج از بیمارستان بود.<br> <strong>نتیجه‌گیری:</strong> نتایج مطالعه‌ی حاضر نشان داد که مدل پیش‌بینی انسفالوپاتی هیپوکسیک-ایسکمیک نوزادی بر مبنای الگوریتم رگرسیون لجستیک از عملکرد بهتری برخوردار بود. انتظار می‌رود که به‌کارگیری الگوریتم‌های کاربردی داده برای نوزادن مبتلا به انسفالوپاتی هیپوکسیک-ایسکمیک نقش مهمی در شناسایی سریع بیماری و ارایه درمان مناسب داشته باشد تا متخصصان مراقبت سلامت بتواند در فرصت طلایی و زمان محدود، اقدامات لازم را در جهت بهبود مراقبت باکیفیت، جلوگیری از پیشرفت بیماری و کاهش شدت پیامدهای منفی ناشی از آن انجام دهند.</span></span></div> <div style="text-align: justify;"><span style="font-size:18px;"><span style="font-family:Times New Roman;"><strong>Background and Aim:</strong> Neonatal hypoxic-ischemic encephalopathy (HIE) is a clinical syndrome characterized by impaired brain function resulting from oxygen deprivation and reduced cerebral blood flow. Developing predictive models can serve as valuable tools for physicians in forecasting disease outcomes and facilitating early interventions. The present study was conducted with the aim of constructing a predictive model for neonatal hypoxic-ischemic encephalopathy using data mining algorithms.<br> <strong>Materials and Methods:</strong> This applied study was conducted using a descriptive approach. In the first stage, the factors influencing the prediction of neonatal hypoxic-ischemic encephalopathy were identified through expert surveys. In the second stage, data pertaining to 4,000 neonates were collected from the Iman system, available in the database of the Ministry of Health and Medical Education, during the years 2020&ndash;2021. Following preprocessing, a dataset comprising 3,962 records with 13 features was extracted. Subsequently, predictive models were developed using algorithms including artificial neural networks, decision tree variants, random forest, support vector machines, logistic regression, and Bayesian networks. Model construction was performed using the Python programming language within the Anaconda environment. Finally, performance evaluation and comparison were carried out using metrics such as accuracy, precision, specificity, F1-score, and the Area Under the Curve (AUC).<br> <strong>Results:</strong> The findings of the study revealed that the Area Under the Receiver Operating Characteristic Curve (AUROC) for models developed using logistic regression, artificial neural networks, random forest, Bayesian networks, support vector machines, and decision trees were 86%, 86%, 84%, 82%, 76%, and 74%, respectively. The highest performance was achieved by the logistic regression algorithm, with an accuracy of 81%, sensitivity of 85%, and specificity of 96%. The greatest sensitivity was observed in logistic regression, artificial neural networks, and support vector machines, whereas the na&iuml;ve Bayesian algorithm demonstrated the lowest performance metrics. In the predictive model for hypoxic-ischemic encephalopathy, the most influential feature was the first-minute Apgar score, while the least influential factor was delivery outside the hospital.<br> <strong>Conclusion:</strong> The findings of the present study indicated that the predictive model for neonatal hypoxic-ischemic encephalopathy based on the logistic regression algorithm demonstrated superior performance. It is anticipated that the application of practical data-driven algorithms for neonates with hypoxic-ischemic encephalopathy will play a crucial role in the rapid identification of the condition and the provision of appropriate treatment. Such approaches can enable healthcare professionals to act within the critical window of opportunity, thereby improving the quality of care, preventing disease progression, and reducing the severity of adverse outcomes.</span></span></div> انسفالوپاتی هیپوکسیک-ایسکمیک, نوزادان, داده‌کاوی, پیش‌بینی Hypoxic-Ischemic Encephalopathy, Neonatal, Data Mining, Prediction 326 345 http://payavard.tums.ac.ir/browse.php?a_code=A-10-2457-1&slc_lang=fa&sid=1 Atefeh Abbasi عاطفه عباسی No Master of Science in Health Information Technology, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran کارشناس‌ارشد فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Somayeh Nasiri سمیه نصیری nasiri.so@iums.ac.ir Yes Assistant Professor, Department of Health Information Management, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran استادیار گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Sayyed Mostafa Mostafavi سید مصطفی مصطفوی smustafavi@yahoo.com No Assistant Professor, Department of Artificial Intelligence, Faculty of Computer Engineering, Amirkabir University of Technology, Tehran, Iran استادیار گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران Abbas Habibolahi عباس حبیب اللهی No Assistant Professor, Department of Pediatrics, Shariati Hospital, Tehran University of Medical Sciences, Tehran, Iran استادیار گروه کودکان، بیمارستان شریعتی، دانشگاه علوم پزشکی تهران، تهران، ایران