fa طراحی شبکه عصبی مصنوعی برای پیش‌بینی نتایج حاملگی در مادران باردار لوپوسی در ایران مقاله اصیل Original Article 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. Background: Pregnancy in women with systemic lupus erythematosus (SLE) is still introduced as a major challenge. Consulting before pregnancy in these patients is essential in order to estimating the risk of undesirable maternal and fetal outcomes by using appropriate information. The purpose of this study was to develop an artificial neural network for prediction of pregnancy outcomes including spontaneous abortion and live birth in SLE. Methods: In a retrospective study, forty-five variables were identified as effective factors for prediction of pregnancy outcomes in systemic lupus erythematosus. Data of 104 pregnancies in women with systemic lupus erythematosus in Shariati Hospital and 45 pregnancies in a private specialized center in Tehran from 1982 to 2014 in August and September, 2014 were collected and analyzed. For feature selection, information of the 149 pregnancies was analyzed with a binary logistic regression model in SPSS software, version 20 (SPSS, Inc., Chicago, IL, USA). These selected variables were used for inputs of neural networks in MATLAB software, version R2013b (MathWorks Inc., Natick, MA, USA). A Multi-Layer Perceptron (MLP) network with scaled conjugate gradient (trainscg) back propagation learning algorithm has been designed and evaluated for this purpose. We used confusion matrix for evaluation. The accuracy, sensitivity and specificity were calculated from the confusion matrix. Results: Twelve features with P<0.05 and four features with P<0.1 were identified by using binary logistic regression as effective features. These sixteen features were used as input variables in artificial neural networks. The accuracy, sensitivity and specificity of the test data for the MLP network were 90.9%, 80.0%, and 94.1% respectively and for the total data were 97.3%, 93.5%, and 99.0% respectively. Conclusion: According to the results, we concluded that feed-forward Multi-Layer Perceptron (MLP) neural network with scaled conjugate gradient (trainscg) back propagation learning algorithm can help physicians to predict the pregnancy outcomes (spontaneous abortion and live birth) among pregnant women with lupus by using identified effective variables. شبکه عصبی مصنوعی, لوپوس اریتماتو سیستمیک, نتایج بارداری pregnancy outcome, neural networks, retrospective studies, systemic lupus erythematosus. 251 259 http://tumj.tums.ac.ir/browse.php?a_code=A-10-25-5341&slc_lang=fa&sid=1 Mahmoud Akbarian محمود اکبریان No Rheumatology Research Center, Tehran University of Medical Sciences, Tehran, Iran. مرکز تحقیقات روماتولوژی، دانشگاه علوم پزشکی تهران Khadijeh Paydar خدیجه پایدار No Department of Health Information Management, School of Allied medical sciences, Tehran University of Medical Sciences, Tehran, Iran. گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهرانن Sharareh R ostam Niakan Kalhori شراره رستم نیاکان کلهری No Department of Public Health, School of Public Health, Ahvaz Jundishapur University of Medical Sciences, Ahvaz, Iran. گروه بهداشت عمومی، دانشکده بهداشت، دانشگاه علوم پزشکی جندی شاپور اهواز Abbas Sheikhtaheri عباس شیخ طاهری sheikhtaheri.a@iums.ac.ir Yes Department of Health Information Management, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran. گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران