fa پیش‌بینی بقای پنج ساله پیوند کلیه با استفاده از مدل شبکه عصبی مصنوعی: گزارش 22 سال پی‌گیری از 316 بیمار در اصفهان <b>زمینه و هدف: </b>در زمینه بررسی بقا کلیه پیوندی در ایران مطالعاتی با رویکرد صرفاً بالینی انجام شده است. این مقاله به بررسی و تعیین عوامل تاثیرگذار بر بقا پیوند کلیه بعد از عمل پیوند می‌پردازد و با استفاده از توانایی شبکه‌های عصبی در زمینه مدل‌سازی روابط پیچیده، در این مقاله مدلی برای پیش‌بینی بقای پنج ساله کلیه‌های پیوندی ارائه شده است. <br><b>روش بررسی:</b> این مطالعه به‌صورت گذشته‌نگر بر روی 316 بیمار گیرنده پیوند کلیه از سال 1363 تا سال 1385 انجام شده است. از روش‌های کاپلان مایر، آزمون رگرسیون کاکس، نیکویی برازش و شبکه‌های عصبی مصنوعی برای تحلیل استفاده شده است. <br><b>یافته‌ها: </b>عوامل شاخص توده بدنی و نوع پیوند (جسد یا زنده) از عوامل تاثیرگذار بر بقای کلیه پیوندی می‌باشند. بقای یک‌ساله، سه ساله و پنج سال کلیه پیوندی به‌ترتیب 96 و 93 و 90 درصد برآورد شده است. نتایج تست مدل شبکه عصبی ایجاد شده برای پیش‌بینی بقای پنج ساله بیماران حاکی از آن است که علاوه بر دقت مناسب شبکه (72 درصد)، نتایج به‌دست آمده از شبکه، نیکویی برازش مناسبی نیز دارند و حساسیت مدل در شناسایی صحیح کلیه‌های بقا یافته بیشتر از شناسایی صحیح کلیه‌های از دست رفته می‌باشد (72 درصد در مقابل 61 درصد). <br><b>نتیجه‌گیری: </b>میزان بقای کلیه پیوندی در پیوندهای زنده بیشتر از پیوندهای جسدی می‌باشد. با افزایش شاخص توده بدنی بیماران در زمان پیوند، میزان بقای کلیه پیوندی کاهش می‌یابد. از شبکه‌های عصبی در ایجاد مدل‌هایی برای پیش‌بینی بقای کلیه پیوندی می‌توان استفاده نمود.<p></p> <p><strong>Background:</strong> Kidney transplantation had been evaluated in some researches in Iran mainly with clinical approach. In this research we evaluated graft survival in kidney recipients and factors impacting on survival rate. Artificial neural networks have a good ability in modeling complex relationships, so we used this ability to demonstrate a model for prediction of 5yr graft survival after kidney transplantation.<br><strong>Methods:</strong> This retrospective study was done on 316 kidney transplants from 1984 through 2006 in Isfahan. Graft survival was calculated by Kaplan-meire method. Cox regression and artificial neural networks were used for constructing a model for prediction of graft survival.<br><strong>Results:</strong> Body mass index (BMI) and type of transplantation (living/cadaver) had significant effects on graft survival in cox regression model. Effective variables in neural network model were recipient age, recipient BMI, type of transplantation and donor age. One year, 3 year and 5 year graft survival was 96%, 93% and 90% respectively. Suggested artificial neural network model had good accuracy (72%) with the area under the Receiver-Operating Characteristic (ROC) curve 0.736 and appropriate results in goodness of fit test (κ2=33.924). Sensitivity of model in identification of true positive situations was more than false negative situations (72% Vs 61%).<br><strong>Conclusion:</strong> Graft survival in living donors was more than cadaver donors. Graft survival decreased when the BMI increased at transplantation time. In traditional statistical approach Cox regression analysis is used in survival analysis, this research shows that artificial neural networks also can be used in constructing models to predict graft survival in kidney transplantation.<br></p> پیوند کلیه،بقای کلیه پیوندی،شبکه‌های عصبی مصنوعی kidney transplantation,graft survival,artificial neural networks 353 359 http://tumj.tums.ac.ir/browse.php?a_code=A-10-25-449&slc_lang=fa&sid=1 Ashrafi M مهدی اشرفی No Hamidi Beheshti MT محمد تقی حمیدی بهشتی No Shahidi Sh شهرزاد شهیدی No Ashrafi F فرزانه اشرفی Yes