جلد 21، شماره 74 - ( 10-1397 )
جلد 21 شماره 74 صفحات 100-87 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Langarizade M, Owji L, Orooji A. Developing a decision support system for osteoporosis Prediction. jha 2019; 21 (74) :87-100
URL: http://jha.iums.ac.ir/article-1-2758-fa.html
URL: http://jha.iums.ac.ir/article-1-2758-fa.html
لنگری زاده مصطفی، اوجی لیلا، اروجی اعظم. ایجاد سیستم تصمیم یار بالینی برای پیش بینی پوکی استخوان. فصلنامه مدیریت سلامت. 1397; 21 (74) :87-100
مصطفی لنگری زاده1 
، لیلا اوجی 2، اعظم اروجی1
، لیلا اوجی 2، اعظم اروجی1
1- دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
2- دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ،leila.owji@gmail.com
2- دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ،
چکیده: (4905 مشاهده)
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.
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.
نوع مقاله: پژوهشي |
دریافت: 1397/4/19 | پذیرش: 1397/11/3 | انتشار: 1397/11/3
دریافت: 1397/4/19 | پذیرش: 1397/11/3 | انتشار: 1397/11/3
فهرست منابع
1. Becker KL. Principles and Practice of Endocrinology and Metabolism: Lippincott Williams and Wilkins; 2001.
2. Matin N, Tabatabaie O, Keshtkar A, Yazdani K, Asadi M. Development and validation of osteoporosis prescreening model for Iranian postmenopausal women. JDMDC. 2015; 14(1): 12-21. [DOI:10.1186/s40200-015-0140-7]
3. Curtis EM, Moon RJ, Harvey NC, Cooper C. The impact of fragility fracture and approaches to osteoporosis risk assessment worldwide. Bone. 2017;104:29-38. [DOI:10.1016/j.bone.2017.01.024]
4. Golob AL, Laya MB. Osteoporosis: Screening, Prevention, and Management. Med Clin North Am. 2015;99(3):587-606. [DOI:10.1016/j.mcna.2015.01.010]
5. Yu X, Ye C, Xiang L. Application of artificial neural network in the diagnostic system of osteoporosis. Neurocomputing. 2016;214:376-81. [DOI:10.1016/j.neucom.2016.06.023]
6. Iliou T, Anagnostopoulos C-N, Anastassopoulos G. Osteoporosis detection using machine learning techniques and feature selection. Int J Artif Intell T. 2014;23(05):145-59. [DOI:10.1142/S0218213014500146]
7. Keshtkar A, Khashayar P, Mohammadi Z, Etemad K, Dini M, Meybodi HA, et al. A suggested prototype for assessing bone health. Archives of Iranian Medicine. 2015;18(7):411-5.
8. Pazokian M, Yaghmaie F. Development and psychometric evaluation of "Assessment form of Osteoporosis" Urmia Medical Journal. 2013;24(3):176-83. [In Persian]
9. Saxon SV, Mary Jean Etten EDGNPFT, Dr. Elizabeth A. Perkins PDR. Physical Change and Aging, Sixth Edition: A Guide for the Helping Professions: Springer Publishing Company; 2014.
10. McCloskey EV, Johansson H, Oden A, Kanis JA. From relative risk to absolute fracture risk calculation: the FRAX algorithm. Curr Osteoporos Rep. 2009;7(3):77-83. [DOI:10.1007/s11914-009-0013-4]
11. Chang H-W, Chiu Y-H, Kao H-Y, Yang C-H, Ho W-H. Comparison of classification algorithms with wrapper-based feature selection for predicting osteoporosis outcome based on genetic factors in a taiwanese women population. Int J Endocrinol. 2013;2013:1-8.
12. Unni S, Yao Y, Milne N, Gunning K, Curtis J, LaFleur J. An evaluation of clinical risk factors for estimating fracture risk in postmenopausal osteoporosis using an electronic medical record database. Int J Osteoporos. 2015; 26(2): 581-7. [DOI:10.1007/s00198-014-2899-7]
13. Fracture Risk Assessment Tool [Internet]. 2016. [cited: 15 Dec 2017]. Available from: https://www.shef.ac.uk/FRAX/faq.aspx.
14. Amarnath ALD, Franks P, Robbins JA, Xing G, Fenton JJ. Underuse and overuse of osteoporosis screening in a regional health system: a retrospective cohort study. J Gen Intern Med. 2015;30(12):1733-40. [DOI:10.1007/s11606-015-3349-8]
15. Lasser E, Pfoh E, Chang H, Chan K, Bailey J, Kharrazi H, et al. Has Choosing Wisely affected rates of dual-energy X-ray absorptiometry use? Osteoporosis Int. 2016;27(7):2311-2316. [DOI:10.1007/s00198-016-3511-0]
16. Pinheiro M, Neto ER, Machado F, Omura F, Szejnfeld J, Szejnfeld V. Development and validation of a tool for identifying women with low bone mineral density and low-impact fractures: the São Paulo Osteoporosis Risk Index (SAPORI). Osteoporos Int 2012;23(4):1371-9. [DOI:10.1007/s00198-011-1722-y]
17. Lisboa PJG, Ifeachor EC, Szczepaniak PS. Artificial Neural Networks in Biomedicine: Springer London; 2012.
18. Du Q, Nie K, Wang Z. Application of Entropy-Based Attribute Reduction and an Artificial Neural Network in Medicine: A Case Study of Estimating Medical Care Costs Associated with Myocardial Infarction. Entropy. 2014;16(9):4788-800. [DOI:10.3390/e16094788]
19. Al-Shayea QK. Artificial neural networks in medical diagnosis. International Journal of Computer Science Issues. 2011;8(2):150-4.
20. Amato F, López A, Pe-a-Méndez EM, Vaňhara P, Hampl A, Havel J. Artificial neural networks in medical diagnosis. J Appl Biomed. 2013; 11(2): 47-58. [DOI:10.2478/v10136-012-0031-x]
21. Kriesel D. A Brief Introduction to Neural Networks [Internet]. 2007. [cited: 17 Dec 2017]. Available from: http://www.dkriesel.com.
22. Birch K, George K, McLaren D. BIOS Instant Notes in Sport and Exercise Physiology: Taylor & Francis; 2004.
23. Giudici P. Applied Data Mining: Statistical Methods for Business and Industry: Wiley; 2005.
24. Sivanandam SN, Deepa SN. Introduction to Neural Networks Using Matlab 6.0: Tata McGraw-Hill; 2006.
25. Langarizadeh M, Saeedi M, Far M, Hoseinpour M. Predicting premature birth in pregnant women via assisted reproductive technologies using neural network. Journal of Health Administration (JHA). 2016;18(62): 42-51. [In Persian]
26. Sharifkhani M, Alizadeh S, Abbasi M, Ameri H. Providing a model for predicting the risk of osteoporosis using decision tree algorithms. J Mazandaran Univ Med Sci. 2014;24(116):110-18. [In Persian]
27. Ghafoori S, Keshtkar A, Khashayar P, Ebrahimi M, Ramezani M, Mohammadi Z, et al. The risk of osteoporotic fractures and its associating risk factors according to the FRAX model in the Iranian patients: a follow-up cohort. JDMDC. 2014;13(1):93-103. [DOI:10.1186/s40200-014-0093-2]
28. Harrar K, Hamami L, Akkoul S, Lespessailles E, Jennane R, editors. Osteoporosis assessment using Multilayer Perceptron neural networks. Image Processing Theory, Tools and Applications (IPTA), 2012 3rd International Conference on; 2012: IEEE. [DOI:10.1109/IPTA.2012.6469528]
29. Halldorsson B, Bjornsson A, Gudmundsson H, Birgisson E, Ludviksson B, Gudbjornsson B. A clinical decision support system for the diagnosis, fracture risks and treatment of osteoporosis. Comput Math Method M. 2014;2015:1-7.
30. Oh SM, Nam B-H, Rhee Y, Moon S-H, Kim DY, Kang DR, et al. Development and validation of osteoporosis risk-assessment model for Korean postmenopausal women. J Bone Miner Metab. 2013;31(4):423-32. [DOI:10.1007/s00774-013-0426-0]
31. Edwards M, Jameson K, Denison H, Harvey N, Sayer AA, Dennison E, et al. Clinical risk factors, bone density and fall history in the prediction of incident fracture among men and women. Bone. 2013;52(2):541-7. [DOI:10.1016/j.bone.2012.11.006]
32. Reid D. Handbook of Osteoporosis: Springer Healthcare Limited; 2011.
33. Bartl R, Frisch B. OSTEOPOROSIS: Diagnosis, Prevention, Therapy : a Practical Guide for All Physicians--from Pediatrics to Geriatrics: Springer; 2004.
34. Shafiee G, Ostovar A, Heshmat R, Darabi H, Sharifi F, Raeisi A, et al. Bushehr Elderly Health (BEH) programme: study protocol and design of musculoskeletal system and cognitive function (stage II). BMJ open. 2017;7(8):e013606. [DOI:10.1136/bmjopen-2016-013606]
35. Liu Q, Cui X, Chou Y-C, Abbod MF, Lin J, Shieh J-S. Ensemble artificial neural networks applied to predict the key risk factors of hip bone fracture for elders. Biomed Signal Process Contr. 2015;21:146-56. [DOI:10.1016/j.bspc.2015.06.002]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
