RT - Journal Article T1 - Developing a decision support system for osteoporosis Prediction JF - jha YR - 2019 JO - jha VO - 21 IS - 74 UR - http://jha.iums.ac.ir/article-1-2758-fa.html SP - 87 EP - 100 K1 - Osteoporosis K1 - Clinical risk factors K1 - artificial neural network AB - مقدمه: پوکی استخوان بیماری رایجی در زنان است. شکستگی‌ها آسیب‌های جبران ناپذیری ایجاد می‌کنند. بنابراین، تشخیص زودهنگام این بیماری و شروع درمان قبل از رخ دادن شکستگی مسئله مهمی است. هدف مطالعه حاضر، ایجاد یک سیستم تصمیم یار بالینی مبتنی بر شبکه ­های عصبی مصنوعی با قابلیت تشخیص ابتلا به پوکی استخوان بود. روش کار: مطالعه حاضر از نوع توسعه ای بود که بصورت مقطعی در نیمه دوم سال ۱۳۹۶ انجام شد. در پژوهش حاضر، ابتدا با شناسایی متغیرهای تاثیرگذار، پرسش نامه نظرسنجی برای انتخاب مهم‌ترین عوامل بالینی تهیه شد. اطلاعات ۲۵۶ نفر از زنان و تراکم استخوان پنج سال بعد از ثبت اولیه مربوط به زنان مراجعه کننده به واحد سنجش تراکم استخوان دانشگاه علوم پزشکی بوشهر برای آموزش شبکه استفاده شد. برای یافتن بهترین شبکه از روش آزمون و خطا استفاده شد. همچنین، شبکه با الگوریتم‏های گرادیان مزدوج و لونبرگ-مارکوارت آموزش داده شد. ارزیابی بر اساس ماتریس آشفتگی و معیار‌های حساسیت، ویژگی و صحت انجام گرفت. یافته‌ها: در مرحله اول از ۱۵ ویژگی ضروری از نظر پزشکان، مصرف الکل، انحنای پشت و برداشتن رحم، حذف و ۱۲ متغیر انتخاب شدند. سپس، شبکه عصبی پرسپترون چند‌لایه طراحی شد. نتایج نشان داد که الگوریتم گرادیان مزدوج با ۱۰ نرون و الگوریتم لونبرگ-مارکوارت با ۱۲ نرون در لایه مخفی بهترین ساختار شبکه را دارند. علاوه بر آن ، مقایسه صحت نشان داد که در مجموع الگوریتم لونبرگ-مارکوارت نتایج بهتری داشت. بهترین نتیجه به دست آمده حساسیت، ویژگی و صحت به ترتیب ۱/۸۳، ۴/۸۹ و ۳/۸۶ بود. نتیجه گیری: در مطالعه حاضر، با تمرکز بر داده‌های بومی ابزاری توسعه داده شد که می‌تواند در زمینه پیگیری بیماری پوکی استخوان بسیار موثر باشد. استفاده از این ابزار برای ارجاع به موقع افراد بیمار و شروع درمان می‌تواند از رخ دادن شکستگی عوارض جبران ناپذیر پوکی استخوان جلوگیری کند. LA eng UL http://jha.iums.ac.ir/article-1-2758-fa.html M3 10.29252/jha.21.74.87 ER -