دوره 21، شماره 11 - ( 9-1402 )                   جلد 21 شماره 11 صفحات 920-909 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
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
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

URL: http://ijrm.ir/article-1-2751-fa.html


چکیده:   (415 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.
 
نوع مطالعه: Original Article |

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به International Journal of Reproductive BioMedicine می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | International Journal of Reproductive BioMedicine

Designed & Developed by : Yektaweb