TY - JOUR T1 - Predicting Premature Birth in Pregnant Women via Assisted Reproductive Technologies using Neural Network TT - پیش‌بینی تولد نوزاد نارس در مادران باردار شده از طریق فن‌آوری‌های کمک باروری با استفاده از شبکه عصبی JF - jha JO - jha VL - 18 IS - 62 UR - http://jha.iums.ac.ir/article-1-1787-fa.html Y1 - 2016 SP - 42 EP - 51 KW - Assisted Reproductive Technology KW - Neural Network KW - Premature Birth N2 - مقدمه: امروزه فن ­آوری­های کمک باروری به­طور گسترده­ای برای درمان ناباروری زوجین مورد استفاده قرار می­گیرد. میزان تولد نارس در نوزادان مادرانی که از طریق فن­آوری­های کمک باروری باردار گردیده­اند، بیش­تر از بارداری­های طبیعی می­باشد. هدف این مطالعه پیش­بینی تولد نوزادان نارس در مادران باردار شده از طریق فن­آوری­های کمک باروری می­باشد. روش­ کار: در این مطالعه گذشته ­نگر، ابتدا 45 متغیر تاثیرگذار بر تولد نارس در مادران باردار شده از طریق فن­آوری­های کمک­باروری شناسایی شدند و از پرونده بالینی این مادران در بیمارستان صارم از سال 1377 تا شهریور 1393، در پاییز 1393 استخراج شد. متغیرهای تاثیرگذار با استفاده از الگوریتم انتخاب ویژگی و درخت تصمیم در نرم ­افزار SPSS Clementine شناسایی شد. شبکه عصبی پرسپترون چند­لایه در نرم­افزار Matlab طراحی گردید. ارزیابی شبکه بر اساس ماتریس آشفتگی و معیارهای ویژگی، حساسیت و صحت انجام گردید. یافته­ ها: با استفاده از الگوریتم انتخاب ویژگی و درخت تصمیم، 15 متغیر تاثیرگذار به عنوان ورودی شبکه عصبی انتخاب گردید. شبکه پرسپترون چند­لایه طراحی و ارزیابی شد. شبکه عصبی طراحی شده در داده­ های تست دارای صحت2/87 درصد، حساسیت 0/80 درصد، ویژگی 2/88 درصد و در کل داده­ها دارای صحت 4/95 درصد، حساسیت 0/95 درصد و ویژگی 5/95 درصد بود. نتیجه­ گیری: با توجه به نتایج به دست آمده از این پژوهش، استفاده از شبکه پرسپترون چند­لایه برای پیش‌بینی نتیجه زایمان از نظر تولد نوزاد ترم یا نوزاد نارس در مادران باردار شده از طریق فن­آوری­های کمک باروری می­تواند در پیشگیری از عوارض تولد نوزاد نارس کمک کننده باشد. M3 ER -