جستجو در مقالات منتشر شده


5 نتیجه برای شهسواری
نحوه برخورد و عاقبت حاملگی‌های طولانی در بیمارستان دکتر شریعتی
لاله اسلامیان، حسین شهسواری،
دوره 65، شماره 12 - ( 12-1386 )
چکیده

با توجه به شیوع نسبتاً بالای حاملگی‌های پس از موعد و عوارض آن و مطالعات محدود در ایران این تحقیق با هدف بررسی فراوانی، نحوه برخورد و عواقب حاملگی‌های طولانی انجام شد.

روش بررسی: مطالعه به صورت مقطعی در خانم‌های باردار بستری در بیمارستان شریعتی تهران در سال 82-1380 صورت گرفت و معیار ورود به مطالعه وجود سن حاملگی بیش از 40 هفته تمام بود. پرسش‌نامه حاوی متغیرهای مورد بررسی در بایگانی تکمیل و داده‌ها با استفاده از آزمون‌های t، χ2 و Mann whitney U test تحلیل شدند.

یافته‌ها: در 98 نفر واجد شرایط تحقیق شیوع حاملگی‌های پس از موعد و دیررس 3/3% به‌دست آمد. موارد postdate بیش از پست‌ترم و میانگین Bishop score برابر 31/4 بود. در 1/87% جواب تست‌های بررسی سلامت جنین طبیعی بود. (73/36%)36 مورد تحت آماده‌سازی سرویکس با میزوپروستول قرار گرفته بودند که در 50% موفقیت‌آمیز بود. میانه طول مدت آماده‌سازی سرویکس در مولتی پار به نسبت نولی پار به میزان معنی‌داری کوتاه‌تر بود (004/0=p، 4در برابر7 ساعت). میزان زایمان طبیعی و سزارین در موارد اینداکشن دردهای زایمانی با اکسی‌توسین و آماده‌سازی سرویکس با میزوپروستول از نظر آماری تفاوت معنی‌دار نداشت (9/0=p) میانگین ضریب آپگار، 5/9 و همگی بیش از شش بودند. موردی از هیپوگلیسمی، هیپوکلسمی نوزاد، بستری در NICU و مرگ و میر پری‌ناتال دیده نشد. متوسط روزهای بستری نوزاد (8-1) 84/1 روز بود.

نتیجه‌گیری: شیوع حاملگی‌های پس از موعد 3/3% و یک دلیل عمده آن اشتباه در تعیین سن حاملگی است. با آماده‌سازی سرویکس و القاء دردهای زایمانی می‌توان از تطویل حاملگی کاست هرچند که تأثیر مثبت آن روی عاقبت نوزادی هنوز مشخص نیست.


طراحی سیستم هوشمند برای تشخیص بیماری دیابت با استفاده از رویکرد داده‌کاوی: گزارش کوتاه
روح‌اله کلهر، اصغر مرتضی‌قلی، فاطمه ناجی، سعید شهسواری، محمد زکریا کیایی،
دوره 76، شماره 12 - ( اسفند 1397 )
چکیده
زمینه و هدف: بیماری دیابت عوارض متعددی دارد، تشخیص دیر هنگام دیابت در افراد منجر به گسترش عوارض بیماری می‌شود. مطالعه حاضر با هدف بررسی امکان پیش‌بینی دیابت با استفاده از فنون داده‌کاوی انجام شد.
روش بررسی: این پژوهش از نوع توصیفی- تحلیلی بود که به‌صورت مقطعی انجام شد. جامعه پژوهش شامل افراد مراجعه‌کننده به مراکز بهداشتی شهرستان محمدیه در استان قزوین جهت انجام غربالگری دیابت بودند. داده‌های مورد مطالعه مربوط به فروردین تا خرداد ۱۳۹۴ بود. داده‌ها در نهایت با استفاده از سه روش نزدیک‌ترین همسایگی (k-nearest neighbors algorithm, k-NN)، درخت تصمیم‌گیری (Decision tree, DT) و ماشین‌های بردار پشتیبان (Support vector machine, SVM) تحلیل و مورد مقایسه قرار گرفتند. جهت تحلیل داده‌ها از MATLAB® software, version 8.2 (Mathworks Inc., Natick, MA, USA) استفاده شد.
یافته‌ها: در تمامی معیارها، بهترین نتایج توسط درخت تصمیم‌گیری با صحت (۰/۹۶) به‌دست آمد. پس از آن روش‌های نزدیک‌ترین همسایگی با صحت (۰/۹۶) و ماشین‌های بردار پشتیبان با صحت (۰/۹۴) قرار داشتند.
نتیجه‌گیری: براساس نتایج ارایه شده، درخت تصمیم‌گیری بهترین نتایج را در کلاس‌بندی نمونه‌های تست نشان داد. این مدل می‌تواند به‌عنوان مدلی مناسب در پیش‌بینی دیابت با استفاده از داده‌های ریسک فاکتور توصیه شود.

پیش‌بینی بیماری مولتیپل اسکلروزیس با استفاده از رویکردهای داده‌کاوی جنگل تصادفی و ماشین‌بردار پشتیبان بر اساس الگوریتم ژنتیک
امیرحسین هاشمیان، سارا منوچهری، داریوش افشاری، زهره منوچهری، نادر سالاری، سوده شهسواری،
دوره 77، شماره 1 - ( فروردین 1398 )
چکیده
زمینه و هدف: مولتیپل اسکلروزیس (MS) یک بیماری التهابی تخریب‌کننده است که روش مهم تشخیص آن استفاده از دستگاه Magnetic resonance imaging (MRI) است، اما ازآنجاکه MRI از یک میدان مغناطیسی بسیار پرقدرت استفاده می‌کند، در صورت وجود اجسام فلزی در بدن بیماران باعث ایجاد اختلال در وضعیت سلامت بیمار، کارکرد دستگاه و نیز انحراف و تاری در تصاویر می‌شود. با توجه به چنین محدودیتی‌ در استفاده از دستگاه MRI نیاز به‌روش کمک غربالگری احساس می‌شود. بنابراین این مطالعه با هدف مقایسه دو مدل ماشین‌بردار پشتیبان (Support vector machine, SVM) و جنگل تصادفی (Random forest, RF) انجام شد.
روش بررسی: پژوهش کنونی تحلیلی و از نوع مدل‌سازی بود که از اردیبهشت ۱۳۹۶ تا شهریور ۱۳۹۷ در دانشکده بهداشت دانشگاه علوم پزشکی کرمانشاه انجام شد. روش پیشنهادی پژوهش بر روی مجموعه داده‌های بیماری MS که مشخصات آن‌ها در سیستم ثبت سلامت دانشگاه علوم پزشکی کرمانشاه ثبت گردیده، پیاده‌سازی شد. تعداد افراد مورد مطالعه ۳۱۷ نفر بودند (۱۸۸ نفر مبتلابه بیماری MS و ۱۲۸ نفر فاقد آن). به‌منظور برازش مدل SVM، از تابع کرنل شعاع مبنا (Radial basis function, RBF) که پارامترهای آن با الگوریتم ژنتیک (Genetic algorithm, GA) بهینه‌سازی شده‌اند، استفاده شد. سپس مدل SVM با استفاده از معیارهای صحت، حساسیت و ویژگی با مدل RF مقایسه گردید.
یافته‌ها: بر اساس نتایج، صحت، حساسیت و ویژگی مدل SVM به‌ترتیب ۰/۷۹، ۰/۸۰، ۰/۷۸ و برای مدل RF به‌ترتیب ۰/۷۶، ۰/۸۱، ۰/۷۰ به‌دست آمد.
نتیجه‌گیری: دو مدل عملکرد مناسبی داشتند، اما با توجه به صحت به‌عنوان یک معیار مهم برای مقایسه عملکرد مدل‌ها در این حوزه، می‌توان گفت مدل SVM کارایی بهتری نسبت به RF در تشخیص بیماری MS داشت.

مقایسه پیش‌بینی ابتلا به دیابت بارداری با مدل‌های شبکه عصبی مصنوعی و درخت تصمیم
منصور رضایی، نگین فخری، فاطمه رجعتی، سوده شهسواری،
دوره 77، شماره 6 - ( شهریور 1398 )
چکیده
زمینه و هدف: دیابت بارداری از شایعترین اختلالات متابولیک بارداری است که با عوارض خطرناکی همراه است. در صورت تشخیص زودرس آن می‌توان از برخی عوارض مادری و جنینی جلوگیری کرد. هدف این پژوهش پیش‌بینی زودرس دیابت بارداری توسط مدل‌های آماری شبکه عصبی مصنوعی و درخت تصمیم و نیز مقایسه این مدل‌ها در تشخیص دیابت بارداری بود.
روش بررسی: در این مطالعه مدلسازی، از پرونده‌های زنان باردار در مراکز بهداشتی شهر کرمانشاه (۱۳۹۱-۱۳۸۹)، ۴۰۰ پرونده که بدون داده‌های گمشده بود بررسی شد. اطلاعات دموگرافیک، رتبه بارداری، دیابت، پارامترهای باروری و نتایج آزمایشات از پرونده آنان گردآوری شد. مدل‌های شبکه عصبی مصنوعی پرسپترون و درخت تصمیم به داده‌ها برازش داده شد و عملکرد آن‌ها با هم مقایسه گردید. براساس معیارهای صحت، حساسیت، ویژگی و سطح زیر منحنی راک (Receiver operating characteristic, ROC)، مدل برتر معرفی شد.
یافته‌ها: پس از برازش مدل‌های شبکه عصبی مصنوعی و درخت تصمیم، مقادیر معیارها محاسبه شد. مقدار تمام معیارها در شبکه عصبی بیشتر از درخت تصمیم بود. به‌ترتیب برای مدل‌های یادشده، صحت برابر ۰/۸۳ و ۰/۷۷، حساسیت ۰/۶۲ و ۰/۵۶، ویژگی ۰/۹۵ و ۰/۸۷ بود. سطح زیر منحنی راک مدل شبکه عصبی به‌طور معناداری بیشتر از درخت تصمیم بود (۰/۷۹، ۰/۷۴ و ۰/۰۳P=).
نتیجه‌گیری: در پیش‌بینی دیابت بارداری، مدل شبکه عصبی مصنوعی دارای صحت، حساسیت، ویژگی و سطح زیر منحنی راک بالاتری نسبت به درخت تصمیم بود. می‌توان نتیجه گرفت که مدل شبکه عصبی مصنوعی پرسپترون دارای پیش‌بینی‌های صحیح‌تر و نزدیک‌تر به واقعیت نسبت به درخت تصمیم است.

بررسی اثر لیزر کم‌توان بر ثبات کوتاه‌مدت دندان‌ها پس از پایان درمان ارتودنسی
بتول‌السادات موسوی فرد، سمانه صادقی، مهرداد شهسواری‌پور،
دوره 80، شماره 9 - ( آذر 1401 )
چکیده
زمینه و هدف: هدف از این مطالعه، مقایسه بالینی لیزر کم‌توان بر میزان ریلپس دندان‌ها می‌‌باشد.
روش بررسی: این مطالعه به‌صورت کارآزمایی بالینی بر روی 14 بیمار (11 زن و سه مرد) در بخش ارتودنسی دانشکده دندانپزشکی کرمان از فروردین 1396 تا خرداد 1397 که تحت درمان بدون کشیدن دندان توسط سیستم   inch 022/0 MBT و آماده برای باز کردن ارتودنسی ثابت بودند انجام شد. بیماران به دو گروه هفت‌تایی تقسیم شدند. گروه اول، درمان با لیزر کم‌توان Ga-Al-As با طول موج nm810، دانسیته انرژی تقریباً معادل J/cm2 7/35 مناسب با شدت mv 200 به‌صورت ممتد و گروه دوم، کنترل. در کلیه بیماران قالب‌گیری از فک بالا با آلژینات بلافاصله، چهار، پنج و شش ماه پس از درمان انجام و کست مطالعه فراهم گردید. Little irregularity index برای دندان‌های قدامی بالا با استفاده از کولیس دیجیتال با تقریب 01/0 اندازه‌گیری شد. از Reapeated measure ANOVA و Student's t-test استفاده شد. سطح معناداری در آزمون‌ها 05/0 در نظر گرفته شد.
یافته‌ها: Irregularity index در گروه کنترل در مقایسه با گروه لیزر، پنج و شش ماه پس از درمان ارتودنسی افزایش معنادار یافت. در گروه کنترل در همه زمان‌ها به‌غیر از بازه زمانی پنج تا شش ماه پس از درمان تفاوت معناداری مشاهده شد.
نتیجه‌گیری: با توجه به نتایج این مطالعه، لیزر کم‌توان یک روش غیرتهاجمی مناسب در کاهش ریلپس پس از درمان ارتودنسی بیماران می‌باشد.
 

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2026 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb