Sedighnia A, Rostam Niakan Kalhori S, Nasehi M, Hanafi-Bojd A A. Tuberculosis incidence predicting system using time
series neural network in Iran
. Tehran Univ Med J 2019; 77 (4) :216-221
URL:
http://tumj.tums.ac.ir/article-1-9764-fa.html
صدیقنیا عاطفه، رستم نیاکان کلهری شراره، ناصحی مهشید، حنفی بجد احمد علی. پیشبینی میزان بروز بیماری سل با استفاده از سریهای زمانی مبتنی بر شبکههای عصبی در ایران. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1398; 77 (4) :216-221
URL: http://tumj.tums.ac.ir/article-1-9764-fa.html
1- گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران؛ گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران. ، asedighnia@gmail.com
2- گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران؛ گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران.
3- گروه اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی ایران، مرکز مدیریت بیماریهای واگیر وزارت بهداشت، درمان و آموزش پزشکی، تهران، ایران.
4- گروه حشرهشناسی پزشکی و مبارزه با ناقلین، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران.
چکیده: (2687 مشاهده)
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.