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.
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.
