11 نتیجه برای شبکه عصبی
محمود اکبریان، خدیجه پایدار، شراره رستم نیاکان کلهری، عباس شیخ طاهری،
دوره 73، شماره 4 - ( 4-1394 )
چکیده
زمینه و هدف: لوپوس اریتماتوی سیستمیک (SLE) بیماری خودایمنی چند سیستمی با تظاهرات متنوع و رفتار متغیر میباشد. بارداری برای زنان با SLE بهعنوان چالش مطرح است. مشاوره پیش از بارداری به دلیل برآورد ریسک نتایج نامطلوب در مادر و جنین با استفاده از دادههای مناسب ضروری است. هدف این مطالعه، طراحی شبکه عصبی مصنوعی برای پیشبینی نتایج حاملگی در زنان باردار لوپوسی بود.
روش بررسی: در این بررسی گذشتهنگر، 45 متغیر تاثیرگذار در نتایج حاملگی زنان باردار لوپوسی شناسایی شده و پروندههای این بیماران در بیمارستان شریعتی (104 بارداری) و یکی از مراکز خصوصی (45 بارداری) از سال 1360 تا 1392، در مرداد و شهریور ماه سال 1393 بررسی و متغیرهای مورد نظر استخراج گردید. با استفاده از رگرسیون لاجستیک باینری در SPSS, ver. 20 (Chicago, IL, USA) متغیرهای تاثیرگذار در نتایج بارداری شناسایی شد. متغیرهای انتخابی بهعنوان ورودی شبکه استفاده شد. شبکه پرسپترون چندلایه (Multi-layer Perceptron, MLP) پیشخور با الگوریتم پس انتشار گرادیان توام مدرج در MATLAB, ver. R2013b (Natick, MA, USA) طراحی و مورد ارزیابی قرار گرفت. برای ارزیابی شبکه از ماتریس کانفیوژن استفاده شد.
یافتهها: دوازده متغیر که 05/0>P داشتند به عنوان متغیرهای تاثیرگذار، به همراه 4 متغیر بهنسبت تاثیرگذار با 1/0P<، برای پیشبینی نتایج حاملگی در بیماران لوپوسی با استفاده از رگرسیون لاجستیک شناسایی شد. از این 16 متغیر به عنوان ورودی شبکه پرسپترون چند لایه استفاده گردید. صحت، حساسیت و ویژگی بهترین شبکه عصبی طراحی شده در دادههای تست به ترتیب 9/90%، 0/80%، 1/94% و در کل دادهها به ترتیب 3/97%، 5/93%، 0/99% بود.
نتیجهگیری: با استفاده از فاکتورهای تاثیرگذار شناسایی شده در این مطالعه و استفاده از شبکه پرسپترون چند لایه (MLP) برای پیشبینی سقط خودبهخودی جنین و نوزاد سالم، میتوان به درستی، پیامد بارداری در زنان لوپوسی را پیشبینی نمود.
بهمن منصوری، عبدالحمید پیلهور، بابک آزادنیا،
دوره 73، شماره 7 - ( 7-1394 )
چکیده
زمینه و هدف: تصاویر تشدید مغناطیسی بهدلیل قدرت تفکیکپذیری خیلی خوبی که برای بافتهای نرم و غیرنرم در بدن انسان دارد، در موارد بسیار زیادی برای کمک در تشخیص و درمان تومور مغز مورد استفاده قرار میگیرد. روش بررسی: روش پیشنهادی مبتنی بر یک روش بدون ناظر است که ناحیه تومور را با آنالیز شباهت دو نیمکره کشف میکند. این آنالیز، تصویر یک تابع هدف که مبتنی بر ضریب Bhattacharyya است را محاسبه میکند که در مرحله بعد برای کشف ناحیه تومور یا بخشی از آن مورد استفاده قرار میگیرد. در این مرحله برای کم کردن تنوع رنگ، تصویر خاکستری مغز سگمنت شده را رنگی کرده و دوباره تبدیل به خاکستری میکنیم. سپس با استفاده از شبکه عصبی Self-organizing map (SOM) تصویر مغز سگمنت شده را رنگآمیزی کرده و در نهایت با تطابق ناحیه کشفشده و تصویر رنگی، تومور آشکار میشود. این روش بهعنوان یک روش پیشنهادی برای آنالیز تصاویر و کشف تومور مغزی، در دانشگاه بوعلیسینا همدان در بهمن ماه سال 1392 ارایه شد. یافتهها: نتایج حاصل از این روش برای 30 بیمار که بهصورت تصادفی از بانک دادههای مرکز تصویربرداری MRI همدان انتخاب گردیده و با تقسیمبندی دستی که توسط متخصصین انجام گردید، مقایسه شده است. روش پیشنهادی در معیار جاکارد (Jaccard Similarity Inde, JSI) دقتی در حدود 95% را از خود نشان داد. نتیجهگیری: نتایج آزمایشها نشان داد که استفاده از آشکارسازی سریع تومور مغز با استفاده از ضریب شباهت Bhattacharyya برای پردازش تصاویر تشدید مغناطیسی میتواند نتایج پذیرفتنی را برای جداسازی خودکار تومور از بافتهای طبیعی مغز ارایه دهد، در حدی که میتوان به عملکرد این روش در کاربرد عملی با اطمینان زیادی اتکا کرد.
حسین قیومیزاده، مصطفی دانائیان، علی فیاضی، فرشاد نامداری، سید محمد مصطفوی اصفهانی،
دوره 76، شماره 1 - ( 1-1397 )
چکیده
زمینه و هدف: دیابت، بیماری شایعی است که با ایجاد عوارض چشمی منجر به کاهش بینایی و کوری میگردد. در این پژوهش مدلی از شبکههای عصبی خودسازمانده سلسله مراتبی در جهت تشخیص و طبقهبندی ضایعات شبکیه (رتینوپاتی دیابتی) ارایه شد.
روش بررسی: نوع مطالعه بهصورت مقطعی گذشتهنگر میباشد که از دی تا اسفند ۱۳۹۴ در دانشگاه علوم پزشکی ارتش انجام پذیرفت. مطالعه بر روی پایگاه MESSIDOR که شامل ۱۲۰۰ تصویر از قطب خلفی چشم میباشد انجام گرفته است. تصاویر شبکیه به سه دسته خفیف، متوسط و شدید طبقهبندی شدهاند. یک سیستم متشکل از یک طبقهبندی ترکیبی جدید از Self-organising map (SOM) algorithm برای تشخیص ضایعات شبکیه ارایه شده است. سیستم پیشنهادی شامل پیشپردازش سریع، استخراج ویژگی مربوط به ضایعات و در نهایت ارایه مدلی جهت طبقهبندی میباشد. در پیشپردازش، سیستم از سه فرآیند جداسازی اولیه ضایعات هدف، جداسازی دیسک نوری و درنهایت جداسازی عروق خونی از شبیکه تشکیل شده است. گام دوم مجموعهای از ویژگیها بر اساس توصیفهای مختلف مانند مورفولوژی، رنگ، شدت نور و مومنتها میباشند. طبقهبندی شامل ارایه یک مدل از شبکههای خودسازمانده سلسله مراتبی میباشد که جهت تسریع و افزایش دقت در کلاسبندی ضایعات با مدنظر قرار دادن حجم بالای دادهها در استخراج ویژگی ارایه شده است.
یافتهها: میزان حساسیت، ویژگی و دقت بهدستآمده از مدل پیشنهادی برای طبقهبندی ضایعات رتینوپاتی دیابتی، بهترتیب برابر با ۹۸/۵۱% (CI ۹۵% ۹۹/۵% تا ۹۶%)، ۹۶/۷۷% (CI ۹۵% ۹۷% تا ۹۴%) و ۹۷/۸۷% (CI ۹۵% ۹۸% تا ۹۵%) بود.
نتیجهگیری: بر اساس نتایج بهدستآمده، مدل پیشنهادی قادر است ضایعات را در تصاویر رتینوپاتی دیابتی تشخیص و با دقت مناسبی طبقهبندی نماید.
عاطفه صدیقنیا، شراره رستم نیاکان کلهری، مهشید ناصحی، احمد علی حنفی بجد،
دوره 77، شماره 4 - ( 4-1398 )
چکیده
زمینه و هدف: یکی از بیماریهای عفونی مهم با مرگومیر بالا در جهان، سل میباشد که هیچ کشوری از آن مصون نیست و امروزه بهعلل مختلف مانند بیماریهای زمینهای بروز آن بار دیگر در حال افزایش میباشد. براساس آخرین گزارش سازمان بهداشت جهانی از وضعیت سل در ایران، سل مقاوم به دارو (MDR-TB) و سل در افراد دارای ویروس نقص ایمنی انسانی (Human immunodeficiency virus, HIV) در کشور رو به افزایش است. پیشبینی بروز برای پیشگیری، مدیریت و کنترل بهتر این بیماری امری لازم میباشد. هدف این مطالعه ایجاد سیستم پیشبینی کننده میزان بروز سل میباشد.
روش بررسی: تحلیل گذشتهنگری بر روی ۱۰۶۵۱ بیمار مسلول ثبت شده بین اول فروردین ۱۳۹۳ تا پایان اسفند ۱۳۹۴ در سیستم وزارت بهداشت، درمان و آموزش پزشکی ایران انجام گرفت. پارامترهای قابل استناد جداسازی شدند و بهصورت مستقیم، ادغام و یا تولید شاخص جدید در نظر گرفته شدند.
یافتهها: ۲۳ متغیر مستقل وارد مطالعه شد که با سنجش همبستگی و محاسبه رگرسیون، ۱۲ متغیر با ۰/۰۱P≤ در اسپیرمن و ۰/۰۵P≤ در پیرسون مرتبط شناخته شد. بهترین نتایج ۰/۹۳R= و ۱۰/۹۶MSE= در دادههای آموزش، صفر و صفر در دادههای اعتبارسنجی و ۰/۹۱R= و ۱۳/۲۳MSE= در دادههای تست و همچنین نمودار رگرسیون چشمگیری از شبکه ایجاد شده با الگوریتمهای سری زمانی شبکه عصبی در متلب بهدست آمد.
نتیجهگیری: نتایج مطالعه حاضر بیانگر این است که هوش مصنوعی برای استخراج دانش از دادههای خام جمعآوری شده مربوط به بیماری سل عملکرد مناسبی دارد و میتوان از آن برای پیشبینی موارد جدید این بیماری استفاده کرد.
منصور رضایی، نگین فخری، فاطمه رجعتی، سوده شهسواری،
دوره 77، شماره 6 - ( 6-1398 )
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.
علی عامری،
دوره 77، شماره 7 - ( 7-1398 )
چکیده
زمینه و هدف: با پیشرفت یادگیری عمیق (Deep learning)، انقلاب بزرگی در هوش مصنوعی ایجاد شده که بسیاری از رشتهها را بهشدت تحت تاثیر خود قرار داده است. یادگیری عمیق، پردازش دادههای خام با ابعاد بالا (مانند سیگنال یا تصویر) را بدون نیاز به مهندسی ویژگی (Feature engineering)، امکانپذیر میکند. هدف از این پژوهش، توسعه یک سیستم بر پایه یادگیری عمیق، برای تخمین اراده حرکتی از روی سیگنال EMG میباشد.
روش بررسی: در این مطالعه، یک سیستم مایوالکتریک (Myoelectric) بر پایه شبکه عصبی کانولوشنال (CNN) (که یک مدل یادگیری عمیق است)، بهعنوان جایگزینی برای روشهای معمول طبقهبندی (Classification) که نیازمند به مهندسی ویژگی هستند، معرفی شده است. این سیستم برای حرکات انفرادی و ترکیبی مچ دست، بر روی ده شخص سالم، مورد ارزیابی قرار گرفته شد. عملکرد روش پیشنهادی، با یک سیستم استاندارد برپایه Support vector machine (SVM) که از ویژگیهای حوزه زمانی (Time domain, TD) استفاده میکند، مقایسه گردید.
یافتهها: باوجود عملکرد ثابت شده و رواج بسیار بالای ویژگیهای TD، سیستم پیشنهادی بهدقت طبقهبندی مشابهی (۰/۱۹P=) دست یافت. مزیت سیستم پیشنهادی در این است که نیازی به استخراج دستی و مهندسی ویژگی از سیگنال EMG وجود ندارد و CNN بهصورت خودکار، ویژگیهای مورد نیاز را فراگرفته و از سیگنال استخراج میکند.
نتیجهگیری: این یافتهها، توانایی بالای CNN، برای یادگیری و استخراج اطلاعات غنی و پیچیده از سیگنالهای بیولوژیک را نشان میدهد. CNN میتواند اطلاعات زمانی و فرکانسی مورد نیاز برای تخمین اراده حرکتی را از روی سیگنال EMG فرا بگیرد.
علی عامری،
دوره 78، شماره 4 - ( 4-1399 )
چکیده
زمینه و هدف: شایعترین انواع سرطان پوست غیرملانومی، سرطانهای سلول پایهای (Basal cell carcinoma, BCC) و سلول اسکواموس (Squamous cell carcinoma, SCC) میباشند. Actinic keratoses (Solar keratoses) و Intraepithelial carcinoma (Bowen’s disease) که بهطور مخفف از آنها با نام AKIEC یاد میکنیم، پیشزمینههای SCC هستند. از آنجا که تشخیص زودهنگام، تاثیر بسزایی در درمان سرطان دارد، این مطالعه یک مدل مبتنی بر کامپیوتر برای تشخیص این سرطان معرفی میکند.
روش بررسی: در این مطالعه تحلیلی که در بهمن 1398 در دانشگاه علوم پزشکی شهید بهشتی انجام شد، از مجموعه تصاویر درماسکوپی Human against machine with 10000 training images (HAM10000)، تعداد 327 تصویر AKIEC، 513 تصویر BCC و 840 تصویر کراتوسیس خوشخیم (Benign keratosis, BK) استخراج گردید. از هر کدام از این سه نوع داده، 90% تصاویر بطور تصادفی بهعنوان داده آموزشی انتخاب و مابقی بهعنوان داده تست لحاظ شدند. از یک مدل یادگیری عمیق شبکه عصبی کانولوشنال (Deep learning convolutional neural network)، با استفاده از شبکه AlexNet (Krizhevsky, et al., 2012) بهعنوان شبکه از پیشآموزش (Pretrained) داده شده برای تشخیص سرطان استفاده شد. پس از آموزش شبکه بر روی داده آموزشی، عملکرد آن بر روی داده تست، ارزیابی گردید.
یافتهها: مدل یادگیری عمیق پیشنهادی به دقت 90%(Accuracy) در طبقهبندی (Classification) تصاویر به دو کلاس خوشخیم و بدخیم دست یافت. همچنین مساحت زیر منحنی Receiver operating characteristic (ROC) 0.97، حساسیت 94% (Sensitivity) و اختصاصیت 86% (specificity) بهدست آمد.
نتیجهگیری: این یافتهها نشان میدهد که مدلهای یادگیری عمیق میتوانند به دقت بالایی در تشخیص سرطان غیرملانومی پوست دست یابند.
همایون یکتایی، محمد منثوری،
دوره 78، شماره 6 - ( 6-1399 )
چکیده
سرطان پستان، شایعترین سرطان در بین زنان میباشد و هر چقدر سرطان پستان زودتر تشخیص داده شود، درمان آن آسانتر است. رایجترین روش تشخیص سرطان سینه ماموگرافی میباشد. ماموگرافی یک عکس رادیوگرافی ساده از پستان و ابزاری برای کشف زودرس سرطانها و تومورهای غیرقابل لمس پستان است. با اینحال، با توجه به برخی محدودیتهای این روش مانند حساسیت کم بهویژه در سینههای متراکم، روشهای دیگری مانند ماموگرافی سه بعدی، سونوگرافی و تصویربرداری با رزونانس مغناطیسی اغلب برای دستیابی به اطلاعات بیشتر و دقیقتر پیشنهاد میشود. بهتازگی، سیستمهای تشخیص یا تشخیص هوشمند با کمک رایانه برای کمک به رادیولوژیستها بهمنظور افزایش دقت تشخیصی تولید شدهاند. بهطورکلی، یک سیستم کامپیوتری از چهار مرحله پیشپردازش، تقسیم مناطق مورد علاقه (ROI)، استخراج و انتخاب ویژگیها و در آخر طبقهبندی تشکیل میشود. امروزه استفاده از روشها و تکنیکهای پردازش تصویر و شناسایی الگوها در تشخیص و تعیین خودکار سرطان پستان از روی تصاویر ماموگرافی و حتی آسیبشناسی دیجیتال که یکی از روندهای در حال ظهور در پزشکی مدرن است، باعث کم شدن خطاهای انسانی و افزایش سرعت تشخیص میشوند. در این مقاله مروری به بررسی کارهای انجام شده و معایب و مزایای آن در زمینهی تشخیص سرطان پستان به کمک شبکههای عصبی بهویژه شبکه عصبی کانوولوشن (Convolutional artificial neural network) که در تشخیص انواع سرطانها بهویژه تشخیص هوشمند سرطان پستان بهطور گستردهای استفاده شده است، پرداخته شده است. بررسی مقالات نشان میدهد که الگوریتمهای ترکیبی در بهبود طبقهبندی و دقت تشخیص بهتر بودهاند.
ساناز جعفری، احمد شالباف، جمی اسلی،
دوره 78، شماره 6 - ( 6-1399 )
چکیده
زمینه و هدف: اطمینان از کافی بودن عمق بیهوشی به هنگام عمل جراحی امری ضروری برای متخصصین بیهوشی، بهمنظور پیشگیری از احتمال بروز حالاتی چون هشیاری ناخواسته در حین عمل جراحی و یا عدم بازگشت بیمار به هشیاری میباشد. مطالعه حاضر با هدف تعیین عمق بیهوشی براساس سیگنال الکتروانسفالوگرم با استفاده از روشهای موثر ارتباطات مغزی بین نواحی فرونتال و تمپورال انجام شده است.
روش بررسی: در این پژوهش که از اردیبهشت تا دی ۱۳۹۷ در تهران به طول انجامیده است، از سیگنال الکتروانسفالوگرافی هشت نفر از بیماران بیمارستان وایکاتو نیوزلند (Waikato District Health Board, Hamilton, New Zealand) که تحت بیهوشی پروپوفول قرار گرفته بودند، استفاده شده است. در این مطالعه، ارتباطات مغزی موثر در نواحی فرونتال و تمپورال مغز با استفاده از روشهای مختلف علیت گرنجر (Granger-Geweke causality, GGC) استخراج گردیده است. استخراج شاخصهای ارتباط موثر در سه حالت (بیداری، بیهوشی و ریکاوری) محاسبه گردیده و سپس در انتها از شبکه عصبی پرسپترون (Perceptron neural network) بهمنظور طبقهبندی اتوماتیک فازهای بیهوشی استفاده شده است.
یافتهها: نتایج برای کلیه دادگان نشان میدهد که روش تابع انتقال جهتدار شده بهدلیل واکنش سریعتر در هنگام دریافت دارو، تغییرات کم و توانایی بهتر در تشخیص اتوماتیک سه حالت بیهوشی در هنگام استفاده از شبکه عصبی مصنوعی، بهتر از شاخص BIS بهعنوان مرجع حال حاضر تعیین عمق بیهوشی در استفادههای کلینیکال عمل میکند.
نتیجهگیری: تابع انتقال جهتدار میتواند اثر داروی پروپوفول را بهطور موثر دنبال کند و حالتهای بیهوشی را نسبت به سایر شاخصهای ارتباطات موثر بهخوبی تخمین بزند. همچنین این روش بهتر از شاخص BIS بهعنوان یک مانیتور تجاری عمق بیهوشی عمل کرد.
منصور رضایی، داریوش افشاری، نگین فخری، نازنین رزازیان،
دوره 79، شماره 4 - ( 4-1400 )
چکیده
زمینه و هدف: مالتیپل اسکلروزیس Multiple sclerosis, MS)) جزو ناتوانکنندهترین بیماری در بالغین جوان است. آگاهی از نمره ناتوانی این بیماران (Expanded disability status scale, EDSS)، در انتخاب روند درمانی آنان مفید است. محاسبه EDSS وقت زیادی از پزشک متخصص میگیرد. هدف از این مطالعه برآورد نمره EDSS بیماران MS با استفاده از مدلهای شبکه عصبی مصنوعی (ANN) و درخت تصمیم (DT) بود.
روش بررسی: این مطالعه مقطعی بر روی دادههای مطالعه رجیستری MS استان کرمانشاه از اردیبهشت 1396 تا آذر 1397 انجام شد. 12 متغیر شامل اطلاعات دموگرافیک، اطلاعاتی در مورد بیماری MS افراد و نمره EDSS آنان از مجموعه دادهها استخراج گردید. نمره EDSS افراد توسط مدلهای ANN و DT نیز برآورد شد. عملکرد مدلها از نظر خطای برآورد، همبستگی و میانگین نمره برآورد شده، مورد مقایسه قرار گرفت. از (Waikato Environment for Knowledge Analysis (Weka), University of Waikato, New Zealand) و SPSS software, version 25 (IBM SPSS, Armonk, NY, USA) استفاده شد.
یافتهها: 353 نفر با میانگینهای سن 47/36±1/9 سال، سن شروع بیماری 34/30±2/9 سال، طول دوره بیماری 20/6±7/5 سال و نمره 8/1±46/2 EDSS بررسی شدند. خطاهای برآورد در مدل DT کمتر از مدل ANN بود. نمره EDSS واقعی همبستگی معنی داری با نمره برآورد شده توسط (571/0DT (r= و (623/0ANN (r= داشت. میانگین EDSS برآورد شده توسط DT (46/2±1/1) تفاوت معناداری با میانگین EDSS واقعی نداشت (621/0P=). میانگین EDSS برآورد شده توسط ANN (87/2±3/1) بهطور معناداری بیشتر از میانگین EDSS واقعی بود (05/0P<).
نتیجهگیری: مدل DT نسبت به مدل ANN، نمره EDSS را بهتر برآورد کرد و به نمرات واقعی EDSS نزدیکتر بود. با مدل DT میتوان EDSS بیماران MS را با دقت مناسبی تخمین زد.
مهدیه جمشیدی، وحید جمشیدی،
دوره 81، شماره 4 - ( 4-1402 )
چکیده
زمینه و هدف: با توجه به اینکه عوامل مختلفی در پیدایش بیماریهای مزمن کلیوی دخالت دارند این بیماری با علایم مختلف بالینی و آزمایشگاهی ظاهر میشود. این تنوع در تعداد و نوع علایم بالینی، پزشک معالج را در بسیاری از موارد گمراه میسازد. پژوهش حاضر با هدف استخراج ویژگیهای کلیدی بیماری و یافتن بهترین روشهای دادهکاوی که باعث بهبود صحت تشخیص و پیشبینی بیماری کلیوی میشود، صورت گرفته است.
روش بررسی: در این مطالعه، اطلاعات و علایم بالینی مربوط به بیماران مبتلا به بیماری کلیوی، از بیمارستان علیبنابیطالب رفسنجان از شهریور 1399 تا اسفند 1401 بهمدت 30 ماه گردآوری شدند. مدلهای پیشبینی با استفاده از ترکیبهای مختلف از ویژگیهای بیماری و هفت روش دادهکاوی، در نرمافزار RapidMiner studio ایجاد شده و مورد آزمایش قرار گرفتند.
یافتهها: نتایج آزمایشهای این مطالعه نشان میدهد که مدل پیشبینی ارایه شده با استفاده از روش بیز و هشت ویژگی کلیدی شناسایی شده (سن، بیوپسی کلیه، اورمی، سدیمانتاسیون، آلبومینوری، ورم، شب ادراری و وزن مخصوص ادرار)، میتواند ابتلا به بیماری کلیوی را در افراد با ویژگیهای بالینی مختلف با دقت 38/99% تشخیص دهد.
نتیجهگیری: با توجه به اینکه تشخیص زودهنگام بیماری کلیوی و اتخاذ روش درمان مناسب، میتواند از پیشروی آسیب کلیوی جلوگیری کند، از اینرو در این مطالعه سعی شده است با بکارگیری شیوههای نوین آماری و تکنیکهای هوش مصنوعی در تحقق این هدف گام برداشت. براساس روش پیشنهادی و آزمایشات انجام شده، مهمترین ویژگیها و بهترین روش دادهکاوی بهدست آمد و در نهایت پیشبینی بیماری کلیوی با دقت بالا میسر گردید.
