شکوفه اکبری، منیره رحیمخانی، رضا میرنژاد،
دوره 81، شماره 10 - ( 10-1402 )
چکیده
زمینه و هدف: امروزه باکتری استافیلوکوکوس اورئوس مقاوم به متیسیلین Methicillin-resistant staphylococcus aureus (MRSA) بهدلیل مقاومت به داروهای ضدمیکروبی به یکی از نگرانیهای سلامت عمومی تبدیل شده که درمان بیماران مبتلا به عفونتهای ناشی از این باکتری را با مشکل مواجه کرده است. بنابراین در این بررسی با هدف مقایسه روشهای فنوتیپی و ژنوتیپی جهت تشخیص استافیلوکوکوس اورئوس مقاوم به متیسیلین جدا شده از بیماران بیمارستانهای تابعه دانشگاه علوم پزشکی تهران و همچنین بررسی ژن nor A در این نمونهها انجام شده است.
روش بررسی: در تحقیق توصیفی- مقطعی حاضر که از بهمن 1401 تا شهریور 1402 بهطول انجامید، تعداد 43 سویه استافیلوکوکوس اورئوس از بخشهای مختلف بیمارستانهای شهر تهران جمعآوری و به آزمایشگاه دانشکده پیراپزشکی دانشگاه علوم پزشکی تهران که محل انجام تحقیق بود ارسال شد. پس از شناسایی سویهها، مقاومت جدایهها نسبت به 14 نوع آنتیبیوتیک با روش انتشار دیسک بررسی گردید.
یافتهها: تستهای تشخیصی استافیلوکوکوس اورئوس از جمله رنگآمیزی گرم روی کلنیها و انجام تست کاتالاز و DNase و کواگولاز انجام گرفت و مشخص شد که تمام سویهها استافیلوکوکوس اورئوس بودند. در مرحله بعد با روش PCR و استفاده از پرایمر mec A، 43 سویه جدا شده از خون و زخم دارای mec A بوده و از نظر ژنوتیپی وجود سویههای MRSA تایید شد. از 43 سویه استافیلوکوکوس اورئوس با بررسی PCR و الکتروفورز مشحص شد تعداد 26 نمونه دارای ژن nor A بودند.
نتیجهگیری: نتایج نشان میدهد که میزان شیوع باکتری استافیلوکوکوس اورئوس در نمونههای بیمارستانی قابل توجه بوده و مقاومت به متیسیلین و سیپروفلوکسازین در سویههای این باکتری افزایش یافته است.
مهدیه سلطانی، سیده زهره سیدصالحی، ریحانه مهدوی،
دوره 82، شماره 9 - ( 9-1403 )
چکیده
با گسترش هوشمصنوعی، از انواع شبکههای عصبی مصنوعی بهعنوان ابزاری برای ایجاد قدرت تحلیل در سیستمهایکامپیوتری استفاده شد. مطالعاتی که با این هدف در حوزه دهان و دندان انجام شدهاند، عموما با تجزیهوتحلیل دادههای حجیم سروکار دارند. در این مطالعه روشهای مورد استفاده در تحلیل هوشمند و خودکار دادههای دندانپزشکی، موردبررسی قرارگرفتهاست. مطالعات بررسی شده به صورت مشترک از تصاویر رادیوگرافی سراسرنما (Ortho Pantoma Gram, OPG) استفاده و با سه هدف کلی تشخیص دندان (تفکیک هر دندان از دندانهای قبل و بعد)، بخشبندی نمونهای (تجزیه اطلاعات بصری تصویر بهصورت قطعه قطعه) و بخشبندی معنایی (تحلیل و فهم اطلاعات استخراجشده از تصویر) انجام شدهاند. برای حصول این موارد، وابسته به هدف پژوهش از مدلهای مختلف شبکههای عصبی مصنوعی استفاده شده است. در این مطالعه، به مقایسه عملکرد شبکههای عصبی مصنوعیِ به کار گرفته شده، پرداخته شده است. بهطورکلی تصاویر ورودی، ابتدا جهت آمادهسازی دادگان برای خوانش توسط سیستم، پیشپردازش و سپس به شبکه عصبی تعلیم داده شدهاند. در برخی موارد خروجی شبکه عصبی، به جهت بهبود نتایج، مجدد وارد چرخه پردازششدهاست. در مقالات موردبررسی بهمنظور تحلیل دادههای دندانپزشکی، بهطورکلی دو رویکرد دنبال شدهاست. در رویکرد حل مسئله به روش هوشمند، بیشتر از شبکههای عصبی پیچشی و در رویکرد خودکار، از روشهای کلاسیک و بدون یادگیری استفاده شده است، در مطالعاتی که بر مبنای شبکههای عصبی مصنوعی انجام شده است سیستم با درک تصویر، بخشبندی، استخراج ویژگی، طبقهبندی ویژگیها و مدلسازی شبکه و تنظیم متغیرهای آن، به یادگیری آنچه در هدف مطالعه تعیین شده پرداخته است.
