Tehran University Medical Journal

other پیش‌بینی میزان بروز بیماری سل با استفاده از سری‌های زمانی مبتنی بر شبکه‌های عصبی در ایران Tuberculosis incidence predicting system using time series neural network in Iran مقاله اصیل Original Article <div style="text-align: justify;">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.</div> <div data-select-like-a-boss="1" style="text-align: justify;">Background: Tuberculosis (TB) is an important infectious disease with high mortality in the world. None of the countries stay safe from TB. Nowadays, different factors such as Co-morbidities, increase TB incidence. World Health Organization (WHO) last report about Iran's TB status shows rising trend of multidrug-resistant tuberculosis (MDR-TB) and HIV/TB. More than 95% illness and death of TB cases are in developing countries. The most infections are in South East Asia and West Pacific that 56% of them are new cases in the world. The incidence is actually new cases of each year. Incidence prediction is affecting TB prevention, management and control. The purpose of this study is designing and creating a system to predict TB incidence by time series artificial neural networks (ANN) in Iran. Methods: This study is a retrospective analytic. 10651 TB cases that registered on Iran’s Stop TB System from March 2014 to March 2016, Were analyzed. Most of reliable data used directly, some of them merged together and create new indicators and two columns used to compute a new indicator. At first, effective variables were evaluating with correlation coefficient tests then extracting by linear regression on SPSS statistical software, version 20 (IBM, Armonk, NY, USA). We used different algorithms and number of neurons in hidden layer and delay in time series neural network. R, MSE (mean squared error) and regression graph were used for compare and select the best network. Incidence prediction neural network were designed on MATLAB® software, version R2014a (Mathworks Inc., Natick, MA, USA). Results: At first, 23 independent variables entered to study. After correlation coefficient and regression, 12 variables with P≤0.01 in Spearman and P≤0.05 in Pearson were selected. We had the best value of R, MSE (mean squared error) and also regression graph in train, validation and tested by Bayesian regularization algorithm with 10 neuron in hidden layer and two delay. Conclusion: This study showed that artificial neural network had acceptable function to extract knowledge from TB raw data; ANN is beneficial to TB incidence prediction.</div> بروز, ایران, شبکه عصبی, پژوهش‌های گذشته‌نگر, بیماری سل incidence, Iran, neural networks, retrospective studies, tuberculosis 216 221 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-157&slc_lang=other&sid=1 Atefeh Sedighnia عاطفه صدیق‌نیا asedighnia@gmail.com Yes Department of Medical Informatics, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran; Department of Health Information Management, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran. گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران؛ گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران. Sharareh Rostam Niakan Kalhori شراره رستم نیاکان کلهری No Department of Medical Informatics, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran; Department of Health Information Management, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran. گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران؛ گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران. Mahshid Nasehi مهشید ناصحی No Department of Epidemiology, School of Public Health, Iran University of Medical Sciences, Infectious Diseases Management Center of Ministry of Health and Medical Education, Tehran, Iran. گروه اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی ایران، مرکز مدیریت بیماری‌های واگیر وزارت بهداشت، درمان و آموزش پزشکی، تهران، ایران. Ahmad Ali Hanafi-Bojd احمد علی حنفی بجد No Department of Medical Entomology, Tehran University of Medical Sciences, School of Public Health, Tehran University of Medical Sciences, Tehran, Iran. گروه حشره‌شناسی پزشکی و مبارزه با ناقلین، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران.