3 نتیجه برای شبکه عصبی.
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.
