دوره 19، شماره 4 - ( 8-1404 )
جلد 19 شماره 4 صفحات 345-326 |
برگشت به فهرست نسخه ها
Ethics code: IR.IUMS.REC.1400.855
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Abbasi A, Nasiri S, Mostafavi S M, Habibolahi A. Developing a Predicting Model for Neonatal Hypoxic-Ischemic Encephalopathy Using Data Mining. payavard 2025; 19 (4) :326-345
URL: http://payavard.tums.ac.ir/article-1-7832-fa.html
URL: http://payavard.tums.ac.ir/article-1-7832-fa.html
عباسی عاطفه، نصیری سمیه، مصطفوی سید مصطفی، حبیب اللهی عباس. مدل پیش بینی انسفالوپاتی هیپوکسی-ایسکمیک نوزادان با استفاده از داده کاوی. پیاورد سلامت. 1404; 19 (4) :326-345
عاطفه عباسی1 
، سمیه نصیری*2 ، سید مصطفی مصطفوی3 ، عباس حبیب اللهی4
، سمیه نصیری*2 ، سید مصطفی مصطفوی3 ، عباس حبیب اللهی4
1- کارشناسارشد فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاعرسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
2- استادیار گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاعرسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ،nasiri.so@iums.ac.ir
3- استادیار گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران
4- استادیار گروه کودکان، بیمارستان شریعتی، دانشگاه علوم پزشکی تهران، تهران، ایران
2- استادیار گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاعرسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ،
3- استادیار گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران
4- استادیار گروه کودکان، بیمارستان شریعتی، دانشگاه علوم پزشکی تهران، تهران، ایران
چکیده: (358 مشاهده)
زمینه و هدف: انسفالوپاتی هیپوکسیک-ایسکمیک نوزادی یک سندرم بالینی از اختلالات عملکرد مغزی است که بهعلت آسیبهای ناشی از کمبود اکسیژن و خونرسانی در مغز حادث میشود. ایجاد مدلهای پیشبینی میتواند راهنمای خوبی برای پزشکان در پیشبینی بیماریها و مداخلات زودهنگام باشد. مطالعهی حاضر با هدف ایجاد مدل پیشبینی انسفالوپاتی هیپوکسیک-ایسکمیک نوزادان با استفاده از الگوریتمهای دادهکاوی انجام شده است.
روش بررسی: این مطالعه از نوع کاربردی بود که بهروش توصیفی انجام شد. ابتدا عوامل مؤثر در پیشبینی انسفالوپاتی هیپوکسیک-ایسکمیک نوزادی از طریق نظرسنجی متخصصان تعیین شد. مرحلهی دوم، اطلاعات مربوط به ۴۰۰۰ نوزاد از سامانه ایمان موجود در پایگاه داده وزارت بهداشت، درمان و آموزش پزشکی از سال ۱۳۹۹ تا ۱۴۰۰ جمعآوری شد که پس از مرحلهی پیشپردازش مجموعهی داده با ۳۹۶۲ رکورد با ۱۳ ویژگی استخراج شد. سپس، مدل با استفاده از الگوریتمهای شبکههای عصبی، انواع درخت تصمیم، جنگل تصادفی، ماشینبردار پشتیبان، رگرسیون لجستیک و شبکه بیزین طراحی شد. بهمنظور ایجاد مدلها از زبان برنامهنویسی پایتون و نرمافزار آناکندا استفاده شد. در نهایت، سنجههای صحت، دقت، ویژگی، معیارهای F۱ و سطح زیرمنحنی (Area Under the Curve (AUC)) برای ارزیابی و مقایسهی عملکرد مدل محاسبه شد.
یافتهها: نتایج حاصل از پژوهش نشان داد که سطح زیرمنحنی مشخصهی عملکرد گیرنده (Receiver Operating Characteristic (AUROC)) مدلهای ایجادشده با استفاده از الگوریتمهای رگرسیون لجستیک، شبکه عصبی، جنگل تصادفی، شبکه بیزین، ماشینبردار پشتیبان و درخت تصمیم بهترتیب برابر ۸۶، ۸۶، ۸۴، ۸۲، ۷۶ و ۷۴ درصد بود. بهترین کارایی به الگوریتم رگرسیون لجستیک با دقت ۸۱، صحت ۸۵ و ویژگی ۹۶ درصد اختصاص داشت. بیشترین میزان صحت مربوط به الگوریتمهای رگرسیون لجستیک، شبکه عصبی مصنوعی و ماشینبردار پشتیبان و کمترین میزان سنجهها مربوط به الگوریتم بیزین ساده بود. بالاترین میزان اهمیت ویژگیها در مدل پیشبینی انسفالوپاتی هیپوکسیک-ایسکمیک مربوط به نمره آپگار در دقیقه اول پس از تولد و کمترین میزان اهمیت مربوط به تولد نوزاد خارج از بیمارستان بود.
نتیجهگیری: نتایج مطالعهی حاضر نشان داد که مدل پیشبینی انسفالوپاتی هیپوکسیک-ایسکمیک نوزادی بر مبنای الگوریتم رگرسیون لجستیک از عملکرد بهتری برخوردار بود. انتظار میرود که بهکارگیری الگوریتمهای کاربردی داده برای نوزادن مبتلا به انسفالوپاتی هیپوکسیک-ایسکمیک نقش مهمی در شناسایی سریع بیماری و ارایه درمان مناسب داشته باشد تا متخصصان مراقبت سلامت بتواند در فرصت طلایی و زمان محدود، اقدامات لازم را در جهت بهبود مراقبت باکیفیت، جلوگیری از پیشرفت بیماری و کاهش شدت پیامدهای منفی ناشی از آن انجام دهند.
روش بررسی: این مطالعه از نوع کاربردی بود که بهروش توصیفی انجام شد. ابتدا عوامل مؤثر در پیشبینی انسفالوپاتی هیپوکسیک-ایسکمیک نوزادی از طریق نظرسنجی متخصصان تعیین شد. مرحلهی دوم، اطلاعات مربوط به ۴۰۰۰ نوزاد از سامانه ایمان موجود در پایگاه داده وزارت بهداشت، درمان و آموزش پزشکی از سال ۱۳۹۹ تا ۱۴۰۰ جمعآوری شد که پس از مرحلهی پیشپردازش مجموعهی داده با ۳۹۶۲ رکورد با ۱۳ ویژگی استخراج شد. سپس، مدل با استفاده از الگوریتمهای شبکههای عصبی، انواع درخت تصمیم، جنگل تصادفی، ماشینبردار پشتیبان، رگرسیون لجستیک و شبکه بیزین طراحی شد. بهمنظور ایجاد مدلها از زبان برنامهنویسی پایتون و نرمافزار آناکندا استفاده شد. در نهایت، سنجههای صحت، دقت، ویژگی، معیارهای F۱ و سطح زیرمنحنی (Area Under the Curve (AUC)) برای ارزیابی و مقایسهی عملکرد مدل محاسبه شد.
یافتهها: نتایج حاصل از پژوهش نشان داد که سطح زیرمنحنی مشخصهی عملکرد گیرنده (Receiver Operating Characteristic (AUROC)) مدلهای ایجادشده با استفاده از الگوریتمهای رگرسیون لجستیک، شبکه عصبی، جنگل تصادفی، شبکه بیزین، ماشینبردار پشتیبان و درخت تصمیم بهترتیب برابر ۸۶، ۸۶، ۸۴، ۸۲، ۷۶ و ۷۴ درصد بود. بهترین کارایی به الگوریتم رگرسیون لجستیک با دقت ۸۱، صحت ۸۵ و ویژگی ۹۶ درصد اختصاص داشت. بیشترین میزان صحت مربوط به الگوریتمهای رگرسیون لجستیک، شبکه عصبی مصنوعی و ماشینبردار پشتیبان و کمترین میزان سنجهها مربوط به الگوریتم بیزین ساده بود. بالاترین میزان اهمیت ویژگیها در مدل پیشبینی انسفالوپاتی هیپوکسیک-ایسکمیک مربوط به نمره آپگار در دقیقه اول پس از تولد و کمترین میزان اهمیت مربوط به تولد نوزاد خارج از بیمارستان بود.
نتیجهگیری: نتایج مطالعهی حاضر نشان داد که مدل پیشبینی انسفالوپاتی هیپوکسیک-ایسکمیک نوزادی بر مبنای الگوریتم رگرسیون لجستیک از عملکرد بهتری برخوردار بود. انتظار میرود که بهکارگیری الگوریتمهای کاربردی داده برای نوزادن مبتلا به انسفالوپاتی هیپوکسیک-ایسکمیک نقش مهمی در شناسایی سریع بیماری و ارایه درمان مناسب داشته باشد تا متخصصان مراقبت سلامت بتواند در فرصت طلایی و زمان محدود، اقدامات لازم را در جهت بهبود مراقبت باکیفیت، جلوگیری از پیشرفت بیماری و کاهش شدت پیامدهای منفی ناشی از آن انجام دهند.
نوع مطالعه: پژوهشی اصيل |
موضوع مقاله:
فناوری اطلاعات سلامت
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
