International Journal of Reproductive BioMedicine

en توسعه مدلی برای پیش‌بینی سندرم دیسترس تنفسی نوزادان و عوامل مؤثر بر آن با استفاده از داده کاوی: یک مطالعه مقطعی Developing a model to predict neonatal respiratory distress syndrome and affecting factors using data mining: A cross-sectional study Perinatology Original Article Original Article <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Background: One of the major challenges that hospitals and clinicians face is the early identification of newborns at risk for adverse events. One of them is neonatal respiratory distress syndrome (RDS). RDS is the widest spared respiratory disorder in immature newborns and the main source of death among them. Machine learning has been broadly accepted and used in various scopes to analyze medical information and is very useful in the early detection of RDS. Objective: This study aimed to develop a model to predict neonatal RDS and affecting factors using data mining. Materials and Methods: The original dataset in this cross-sectional study was extracted from the medical records of newborns diagnosed with RDS from July 2017-July 2018 in Alzahra hospital, Tabriz, Iran. This data includes information about 1469 neonates, and their mothers information. The data were preprocessed and applied to expand the classification model using machine learning techniques such as support vector machine, Naïve Bayes, classification tree, random forest, CN2 rule induction, and neural network, for prediction of RDS episodes. The study compares models according to their accuracy. Results: Among the obtained results, an accuracy of 0.815, sensitivity of 0.802, specificity of 0.812, and area under the curve of 0.843 was the best output using random forest. Conclusion: The findings of our study proved that new approaches, such as data mining, may support medical decisions, improving diagnosis in neonatal RDS. The feasibility of using a random forest in neonatal RDS prediction would offer the possibility to decrease postpartum complications of neonatal care.</div> داده کاوی, طبقه بندی, سندرم دیسترس تنفسی نوزادان, نوزاد, یادگیری ماشین. Data mining, Classification, Neonatal respiratory distress syndrome, Newborn, Machine learning. 909 920 http://ijrm.ir/browse.php?a_code=A-10-2410-1&slc_lang=en&sid=1 Parisa Farshid prFarshid25@gmail.com 0000-0003-0570-1976 No Department of Health Information Technology, School of Management and Medical Informatics, Tabriz University of Medical Sciences, Tabriz, Iran. Kayvan Mirnia kayvanmirnia@yahoo.com 0000-0002-2974-6362 No Department of Pediatrics, Children's Medical Center, Tehran University of Medical Sciences, Tehran, Iran. peyman Rezaei rezaeip@tbzmed.ac.ir 0000-0002-3980-5100 No Department of Health Information Technology, School of Management and Medical Informatics, Tabriz University of Medical Sciences, Tabriz, Iran. Elham Maserat e.maserat@modares.ac.ir 0000-0003-1359-8024 No Department of Medical Informatics, School of Medical Sciences, Tarbiat Modares University, Tehran, Iran. Taha Samad-Soltani samadsoltani@tbzmed.ac.ir 0000-0002-1555-4714 Yes Department of Health Information Technology, School of Management and Medical Informatics, Tabriz University of Medical Sciences, Tabriz, Iran.