فریبا معلم برازجانی، آزیتا یزدانی، رضا صفدری، سید منصور گتمیری،
دوره 17، شماره 6 - ( 11-1402 )
چکیده
زمینه و هدف: نارسایی کلیه از مشکلات شایع و رو به افزایش در ایران و جهان به شمار میرود. پیوند کلیه به عنوان روشدرمانی ارجح برای بیماران مبتلا به ESRD شناخته شده است. یادگیری ماشین به عنوان یکی از ارزشمندترین شاخههای هوش مصنوعی در زمینهی پیشبینی بقای بیماران یا پیشبینی بروز حـالات مختلف در بیماران کاربرد بسزایی دارد. هدف از انجام این پژوهش پیشبینی پیامدهای پیوند کلیه در بیماران، با استفاده از یادگیری ماشین است.
روش بررسی: از آنجایی که یکی از قویترین روششناسیها در زمینهی اجرا و پیادهسازی پروژههای داده کاوی CRISP است، این روششناسی به عنوان روش کار انتخاب شد. به منظور شناسایی عوامل مؤثر در پیشبینی پیامدهای پیوند کلیه، پس از مرور متون مرتبط، چکلیستی محقق ساخته جهت مشخص کردن میزان ضرورت هرکدام از عوامل مؤثر بر نتیجهی پیوند برای تعدادی از نفرولوژیستهای سراسر کشور ارسال شده و نتایج تحلیل و بررسی شد. سپس با استفاده از زبان پایتون و الگوریتمهای مختلف یادگیری ماشین از جمله ماشینبردار پشتیبان، جنگلهای تصادفی، K نزدیکترین همسایه، گرادیان افزایشی و یادگیری عمیق، به مدلسازی بر روی دادهها پرداخته شد.
یافتهها: مدل نهایی از نوع چند برچسبی و بر اساس الگویتم جنگل تصادفی بود که بتواند پیامدهای مختلف پیوند کلیه که در این مطالعه شامل احتمال پسزدگی، واکنشهای دیابتیک، واکنشهای بدخیمی و بستری مجدد بیمار بود را به صورت یک جا پیشبینی کند. پس از انجام مراحل پیش پردازش بر روی داده ها و مدلسازی بر روی ویژگیهای دادهی ورودی به وسیله الگوریتمهای مختلف، مدل نهایی قادر بود با خطایی کمتر از ۰/۰۱ به پیشبینی چهار مورد پیامد پیوند کلیه یعنی پسزدگی، ابتلا به دیابت، واکنشهای بدخیمی و بستری مجدد بیمار بپردازد.
نتیجهگیری: میزان بالای درستی و دقت مدل جنگل تصادفی نشان از قدرت بالای این مدل برای پیشبینی پیامدهای پیوند کلیه دارد. در این مطالعه، مؤثرترین عوامل در ابتلای بیمار به پیامدهای ذکر شده شناسایی شد. برای نمونههای جدید با استفاده از این سیستم مبتنی بر یادگیری ماشین میتوان به پیشبینی احتمال بروز این پیامدها برای بیماران پرداخت.
عاطفه عباسی، سمیه نصیری، سید مصطفی مصطفوی، عباس حبیب اللهی،
دوره 19، شماره 4 - ( 8-1404 )
چکیده
زمینه و هدف: 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.
روش بررسی: 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.
یافتهها: 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.
نتیجهگیری: 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.
