دوشنبه 10 دی 1403
[Archive]
دوره 21، شماره 11 - ( 9-1402 )
جلد 21 شماره 11 صفحات 920-909 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Farshid P, Mirnia K, Rezaei P, Maserat E, Samad-Soltani T. Developing a model to predict neonatal respiratory distress syndrome and affecting factors using data mining: A cross-sectional study. IJRM 2023; 21 (11) :909-920
URL: http://ijrm.ir/article-1-2751-fa.html
URL: http://ijrm.ir/article-1-2751-fa.html
توسعه مدلی برای پیش‌بینی سندرم دیسترس تنفسی نوزادان و عوامل مؤثر بر آن با استفاده از داده کاوی: یک مطالعه مقطعی. International Journal of Reproductive BioMedicine. 1402; 21 (11) :909-920
چکیده: (520 مشاهده)
مقدمه: یکی از چالشهای عمدهای که بیمارستانها و پزشکان با آن مواجه هستند، شناسایی زودهنگام نوزادانی است که در معرض خطر عوارض جانبی قرار دارند. سندرم دیسترس تنفسی نوزادان (RDS) یکی از آنها میباشد. RDS گستردهترین اختلال تنفسی در نوزادان نارس و منبع اصلی مرگ در میان آنها است. یادگیری ماشینی به طور گستردهای پذیرفته شده و در حوزههای مختلف برای تجزیه و تحلیل اطلاعات پزشکی مورد استفاده قرار گرفته است و در تشخیص زودهنگام RDS بسیار مفید بوده است.
هدف: هدف از این مطالعه ایجاد مدلی برای پیش‌بینی سندرم دیسترس تنفسی نوزادان و عوامل مؤثر بر آن با استفاده از داده کاوی بود.
مواد و روش ها: مجموعه داده اصلی در این مطالعه مقطعی، شامل سوابق پزشکی نوزادان مبتلا به RDS بود که از دی ماه 1395 تا دی ماه 1396 در بیمارستان الزهرا شهر تبریز استخراج شد. این دادهها شامل اطلاعات 1469 نوزاد و مادران آنها میباشد. دادهها از قبل پردازش شده و برای گسترش مدل طبقه‌بندی با استفاده از تکنیک‌های یادگیری ماشینی مانند ماشینبردار پشتیبان، دستهبندی بیز ساده، درخت طبقه‌بندی، جنگل تصادفی، استخراج قوانین CN2 و شبکه عصبی برای پیش‌بینی RDS اعمال شدند. این مطالعه مدلها را با توجه به دقت آنها مقایسه میکند.
نتایج: از بین نتایج به دست آمده، دقت 815/0، حساسیت 802/0، ویژگی 812/0 و 843/0 = AUC بهترین خروجی با استفاده از جنگل تصادفی بود.
نتیجه گیری: یافته‌های مطالعه ما ثابت کرد که رویکردهای جدید مانند داده‌کاوی ممکن است از تصمیم‌گیری پزشکی حمایت کند و باعث بهبود تشخیص در RDS نوزادان شود. امکان‌پذیری استفاده از جنگل تصادفی در پیش‌بینی RDS نوزادان، با کاهش امکان عوارض پس از زایمان، مراقبت از نوزاد را فراهم میکند.
هدف: هدف از این مطالعه ایجاد مدلی برای پیش‌بینی سندرم دیسترس تنفسی نوزادان و عوامل مؤثر بر آن با استفاده از داده کاوی بود.
مواد و روش ها: مجموعه داده اصلی در این مطالعه مقطعی، شامل سوابق پزشکی نوزادان مبتلا به RDS بود که از دی ماه 1395 تا دی ماه 1396 در بیمارستان الزهرا شهر تبریز استخراج شد. این دادهها شامل اطلاعات 1469 نوزاد و مادران آنها میباشد. دادهها از قبل پردازش شده و برای گسترش مدل طبقه‌بندی با استفاده از تکنیک‌های یادگیری ماشینی مانند ماشینبردار پشتیبان، دستهبندی بیز ساده، درخت طبقه‌بندی، جنگل تصادفی، استخراج قوانین CN2 و شبکه عصبی برای پیش‌بینی RDS اعمال شدند. این مطالعه مدلها را با توجه به دقت آنها مقایسه میکند.
نتایج: از بین نتایج به دست آمده، دقت 815/0، حساسیت 802/0، ویژگی 812/0 و 843/0 = AUC بهترین خروجی با استفاده از جنگل تصادفی بود.
نتیجه گیری: یافته‌های مطالعه ما ثابت کرد که رویکردهای جدید مانند داده‌کاوی ممکن است از تصمیم‌گیری پزشکی حمایت کند و باعث بهبود تشخیص در RDS نوزادان شود. امکان‌پذیری استفاده از جنگل تصادفی در پیش‌بینی RDS نوزادان، با کاهش امکان عوارض پس از زایمان، مراقبت از نوزاد را فراهم میکند.
نوع مطالعه: Original Article |
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
