other طراحی سیستم تصمیم‌یار بالینی برای ارزیابی لنزهای تماسی مقاله اصیل Original Article <div style="text-align: justify;"><span style="font-family: yekanyw;"><strong><span style="font-size: 10pt;">زمینه و هدف:</span></strong><span style="font-size: 10pt;"> تجویز لنز مناسب به منظور ایجاد دید بهتر و کاهش عوارض جانبی، فرآیندی چند مرحله‌ای، پیچیده، زمان‌بر و شامل ملاحظات فراوان است که انجام آن تنها توسط یک متخصص چشم خبره امکان‌پذیر است. هدف این مطالعه، طراحی یک سیستم تصمیم‌یار در زمینه‌ی تجویز لنزهای تماسی بود.</span><br> <strong><span style="font-size: 10pt;">روش بررسی: </span></strong><span style="font-size: 10pt;">در این مطالعه‌ی بنیادی، داده‌های مربوط به ۱۲۷ بیمار مبتلا به کراتوکونوس مراجعه‌کننده به درمانگاه لنز بیمارستان فارابی دانشگاه علوم پزشکی تهران در بازه‌ی زمانی اسفند ۱۳۹۲ تا تیرماه ۱۳۹۳ مورد استفاده قرار گرفته است. پنج پارامتر در فرآیند تجویز لنز مورد بررسی قرار گرفت. پارامترهای &quot;موقعیت قرارگیری لنز در راستای عمودی&quot;، &quot;میزان حرکت عمودی لنز حین پلک زدن&quot; و &quot;پهنای ریم در الگوی فلورسین&quot; از طریق تهیه ویدیو از بیمار و &quot;میزان تجمع فلورسین زیر لنز&quot; توسط پزشک و &quot;میزان راحتی لنز&quot; از طریق پرسش از بیمار به‌دست آمد. مناسب و نامناسب بودن لنز توسط پزشک متخصص تشخیص داده و ثبت شد. از شبکه عصبی مصنوعی به منظور طراحی سیستم تصمیم‌یار استفاده شد. سیستم توسط ماتریس کانفیوژن مورد ارزیابی قرار گرفت.</span><br> <strong><span style="font-size: 10pt;">یافته‌ها:</span></strong> <span style="letter-spacing: -0.2pt;"><span style="font-size: 10pt;">پس از ارزیابی، سیستم میزان صحت، حساسیت و ویژگی سیستم به‌ترتیب ۹۱/۳، ۸۹/۸ و ۹۲/۶% به‌دست آمد. شعاع‌های مختلفی برای سیگما در نظرگرفته شد که در نهایت شعاع ۱/۱ بهترین نتیجه را در دسته‌بندی لنز به‌دست آورد.</span></span><br> <strong><span style="font-size: 10pt;">نتیجه‌گیری: </span></strong><span style="font-size: 10pt;">اعداد به‌دست آمده از ارزیابی سیستم نشان داد استفاده از شبکه عصبی مصنوعی به‌‌عنوان یک سیستم تصمیم‌یار می‌تواند با دقت قابل قبول، ارزیابی لنز تماسی سخت را مورد بررسی قرار داده و لنزهای مناسب و نامناسب را تفکیک نماید.</span></span><span dir="LTR"><span style="font-size:8.0pt;"></span></span></div> <div style="text-align: justify;"><strong>Background</strong>: Contact lenses are transparent, thin plastic disks that cover the surface of the cornea. Appropriate lens prescription should be performed properly by an expert to provide better visual acuity and reduce side effects. The lens administration is a multi-stage, complex and time-consuming process involving many considerations. The purpose of this study was to develop a decision support system in the field of contact lens prescription.<br> <strong>Methods</strong>: In this fundamental study, data were collected from 127 keratoconus patients referred to the contact lens clinic at Farabi Eye Hospital, Tehran, Iran during the period of March 2013 to July 2014. Five parameters in the contact lens prescribing process were investigated. Parameters were collected as follows. &ldquo;Lens vertical position&rdquo;, &ldquo;vertical movement of the lens during blinking&rdquo; and &ldquo;width of the rim&rdquo; in the fluorescein pattern were obtained by recording videos of the patients while wearing the lens. &ldquo;Fluorescein dye concentration&rdquo; under the lens was evaluated by the physician and &ldquo;patient comfort&rdquo; was obtained by asking the patient to fill a simple scoring system. Approved and disapproved lenses were judged and recorded based on the decision of an expert contact lens practitioner. The decision support system was designed using artificial neural networks with the mentioned variables as inputs. Approved and disapproved lenses are considered as system outputs. Artificial neural network was developed using MATLAB&reg; software, version 8.3 (Mathworks Inc., Natick, MA, USA). Eighty percent of the data was used to train the support vector machine and the rest of the data (20%) to test the system&#39;s performance.<br> <strong>Results</strong>: Accuracy, sensitivity and specificity, calculated using the confusion matrix, were 91.3%, 89.8% and 92.6% respectively. The results indicate that the designed decision support system could assist contact lens prescription with high precision.<br> <strong>Conclusion</strong>: According to the results, we conclude that hard contact lens fitness could be evaluated properly using an artificial neural network as a decision support system. The proposed system detected approved and disapproved contact lenses with high accuracy.</div> سیستم تصمیم‌یار بالینی, لنزهای تماسی, شبکه‌های عصبی مصنوعی clinical decision support system, contact lenses, neural networks 799 803 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3978-2&slc_lang=other&sid=1 Fatemeh Falahati Marvast فاطمه فلاحتی مروست No Department of Health Technology, School of Public Health, Shahid Sadoughi University of Medical Sciences, Yazd, Iran. گروه ارزیابی فنآوری سلامت، دانشکده بهداشت، دانشگاه علوم پزشکی شهید صدوقی، یزد، ایران. Hossein Arabalibeik حسین عرب‌علی‌بیک arabalibeik@tums.ac.ir Yes Research Center of Biomedical Technology and Robotics (RCBTR), Tehran University of Medical Sciences, Tehran, Iran. مرکز تحقیقات فناوری‌های بیومدیکال و رباتیک، دانشگاه علوم پزشکی تهران، تهران، ایران. Fatemeh Alipour فاطمه علیپور No Farabi Eye Hospital, Tehran University of Medical Sciences, Tehran, Iran. بیمارستان چشم‌پزشکی فارابی، دانشگاه علوم پزشکی تهران، تهران، ایران. Abbas Sheikhtaheri عباس شیخ‌طاهری No Department of Health Information Management, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran. گروه مدیریت و اطلاع‌رسانی پزشکی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران. Leila Nouri لیلا نوری No Farabi Eye Hospital, Tehran University of Medical Sciences, Tehran, Iran. بیمارستان چشم‌پزشکی فارابی، دانشگاه علوم پزشکی تهران، تهران، ایران.