fa پیش بینی سپسیس به دلیل عفونت اسینتوباکتر در نوزادان بستری در بخش مراقبت های ویژه نوزادان فناوری اطلاعات سلامت Health Information Technology كاربردي Applied Research <div style="text-align: justify;"><span style="font-size:18px;"><span style="font-family:nasimYW;"><strong>زمینه و هدف: </strong>سپسیس، مهمترین بیماری ۲۸ روز اول زندگی و از دلایل اصلی مرگ‌و‌میر نوزادان در بخش مراقبت‌های ویژه می‌باشد. سپسیس نوزادی می‌تواند از علایم بالینی عفونت‌های بیمارستانی باشد. از‌این‌رو هدف از این پژوهش، ایجاد و ارزیابی مدل پیش‌بینی سپسیس بیمارستانی و ارایه نتایج آن به ارایه‌دهندگان خدمات مراقبت سلامت است.&nbsp;<br> <strong>روش بررسی:</strong> در این مطالعه‌ی توصیفی کاربردی، جامعه‌ی پژوهش شامل نوزادان بستری در بخش مراقبت‌های ویژه بیمارستان ولیعصر(عج) تهران و نمونه پژوهش، داده‌های ثبت شده‌ی ۴۱۹۶ نوزاد بستری شده در این بخش از سال ۹۵ تا شهریور‌ماه ۹۹ می‌باشد. ویژگی‌های اولیه جهت ایجاد مدل پیش‌بینی بیماری سپسیس با بررسی منابع اطلاعاتی مرتبط و مطابق با نظر استادان و مسئولان مرکز تحقیقات مادر و جنین بیمارستان ولیعصر تهیه گردید و روایی آن توسط ۵ نفر از استادان فوق‌تخصص نوزادان این بیمارستان تایید شد. در این پژوهش از الگوریتم‌های یادگیری ماشین جهت ایجاد مدل پیش‌بینی سپسیس استفاده شده است.&nbsp;<br> <strong>یافته‌ها:</strong> برای ارزیابی مدل‌های ایجاد شده، از پارامترهای Accuracy و AUROC (سطح زیرمنحنیROC) استفاده شد. بیشترین مقدار Accuracy و AUROC به‌ترتیب مربوط به الگوریتم‌های Adaptive Boosting و جنگل تصادفی می‌باشد.<br> <strong>نتیجه‌گیری: </strong>منحنی‌های یادگیری نشان می‌دهد که با استفاده از نمونه‌های آموزشی مختلف و انتخاب پیچیده‌تر ویژگیهای ترکیبی، عملکرد مدل‌ها بهبود می‌یابد. تحقیقات بیشتر برای ارزیابی اثربخشی بالینی مدل‌های یادگیری ماشین در یک کارآزمایی ضروری است.&nbsp;</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>Sepsis is the most important disease in the first 28 days of life and one of the main causes of infant mortality in the intensive care unit. Its definitive diagnosis is possible by performing blood culture. Neonatal sepsis can be a clinical sign of nosocomial infections that are often resistant to antibiotics. Therefore, the purpose of this study was to create and evaluate a hospital sepsis prediction model and present its results to health care providers.<br> <strong>Materials and Methods:</strong> In this descriptive-applied study, the research population includes neonates admitted to the intensive care unit of Valiasr Hospital in Tehran and the research sample is the data of 4196 neonates admitted to this ward from 2016 to August, 2020. The initial features for creating a predictive model of sepsis were prepared by examining the relevant information sources and under the supervision of professors and officials of Valiasr Hospital&#39;s mother and fetus research center and its validity was confirmed by 5 neonatal professors of this hospital. In this research, machine learning algorithms have been used to create a sepsis prediction model.<br> <strong>Results:</strong> Accuracy and AUROC(area under the ROC curve) parameters were used to evaluate the generated models. The highest values of Accuracy and AUROC are related to Adaptive Boosting and random forest algorithms, respectively.<br> <strong>Conclusion:</strong> Learning curves show that using different training examples and more complex selection of combination features improves the performance of the models. Further research is needed to evaluate the clinical effectiveness of machine learning models in a trial.</span></span></div> سپسیس, آسینتوباکتر, عفونت های بیمارستانی, یادگیری ماشین, مدل پیش بینی Sepsis, Acinetobacter, Nosocomial Infection, Machine Learning, Prediction Model 497 505 http://payavard.tums.ac.ir/browse.php?a_code=A-10-2118-1&slc_lang=fa&sid=1 Niloofar Mohammadzadeh نیلوفر محمدزاده No ssistant Professor, Department of Health Information Management, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran استادیار گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ziba mosayebi زیبا مسیبی No Professor, Department of Pediatrics, School of Medicine, Tehran University of Medical Sciences, Tehran, Iran استاد گروه بیماری‌های کودکان، دانشکده پزشکی، دانشگاه علوم پزشکی تهران ، تهران، ایران Hamid Beigy حمید بیگی No Associate Professor, Department of Artificial Intelligence, Faculty of Computer Engineering, Sharif University of Technology, Tehran, Iran دانشیار گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف، تهران،‌ایران Mohammad Shojaeinia محمد شجاعی نیا mohashoj2004@gmail.com Yes Master of Sciences in Medical Informatics, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran کارشناس ارشد انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران