جلد 25، شماره 4 - ( 12-1401 )                   جلد 25 شماره 4 صفحات 44-28 | برگشت به فهرست نسخه ها


XML English Abstract Print


1- کارشناس ارشد، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران
2- استادیار گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران
3- دانشجوی دکتری، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران
4- استادیار، گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران
5- دانشجوی دکتری، گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران ، samanmohammadpour90@gmail.com
چکیده:   (883 مشاهده)
مقدمه: زردی یکی از مشکلات شایع دوران نوزادی است که حدود 60 درصد از نوزادان رسیده و 80 درصد از نوزادان نارس در هفته اول زندگی به آن مبتلا می‌شوند. مطالعه حاضر، به‌منظور ایجاد سیستمی برای پیش‌بینی زردی نوزادان در 24 تا 72 ساعت اول پس از تولد با بکارگیری الگوریتم ماشین بردار پشتیبان انجام شد.
روش ­ها: این مطالعه از نوع کاربردی -توسعه‌ای بود که با روش کمی انجام شد. ابتدا بر اساس بررسی متون، پرسشنامه‌ای حاوی عوامل مؤثر در پیش‌بینی زردی نوزادان طراحی شد. تحلیل داده‌ها با استفاده از آمار توصیفی انجام شد و عواملی در مدل لحاظ شد که حداقل 50 درصد از متخصصان آن را ضروری تشخیص دادند. سپس، داده‌های 1178 نوزاد متولدشده در بیمارستان لولاگر تهران از پرونده زایمان استخراج شد و جهت پیش‌بینی زردی نوزادان، از چندین الگوریتم یادگیری ماشین استفاده شد که در این میان با توجه به نتایج حاصله جهت مدلسازی نهایی، الگوریتم ماشین بردار پشتیبان استفاده و با سنجه‌های مختلف ارزیابی گردید.
یافته ­ها: یافته‌های حاصل از این پژوهش نشان داد که مدل پیشنهادی با الگوریتم SVMبه دلیل ایجاد فاصله بین کلاس‌ها به‌عنوان بهترین خروجی انتخاب شد. بنابراین، مدل نهایی الگوریتم SVM با استفاده از هسته گوسی و با سیگمای 1/2360605 ایجاد شد که 30 درصد از نمونه‌ها (354 مورد) آزمون شدند و از این تعداد 321 مورد به درستی پیش‌بینی شد. در این مدلسازی سنجه‌های دقت، سطح زیر نمودار ROC و معیار F1 به ترتیب 92/7 درصد، 93 درصد و 88 درصد بدست آمد.
نتیجه‌گیری: استفاده از SVM در ایجاد سیستم پیش‌بینی زردی نوزادان می‌تواند به پزشکان در پیش‌‌بینی به‌موقع زردی نوزادان کمک نماید و امکان انجام اقدامات پیشگیری و جلوگیری از خطرات احتمالی ناشی از زردی نوزادان را فراهم نماید.
متن کامل [PDF 831 kb]   (573 دریافت)    
نوع مقاله: پژوهشي | موضوع مقاله: مدیریت اطلاعات سلامت
دریافت: 1401/6/22 | پذیرش: 1401/9/28 | انتشار: 1402/1/4

فهرست منابع
1. Ferreira D, Oliveira A, Freitas A. Applying data mining techniques to improve diagnosis in neonatal jaundice. BMC Med Inform Decis Mak. 2012;12:1-6. [DOI:10.1186/1472-6947-12-143]
2. Nelson WE, Kliegman R. Nelson textbook of pediatrics. 19th ed. Philadelphia: Elsevier Saunders; 2011.
3. Onyearugha CN, Chapp-Jumbo A, George IO. Neonatal jaundice: Evaluating the knowledge and practice of expectant mothers in aba, Nigeria. Journal of Health Science Research. 2016;1(2):42-7. [DOI:10.18311/jhsr/2016/v1/i2/4918]
4. Mansor MN, Yaacob S, Muthusamy H, Nisha Basah S, Ahmad Jamil SHFS, Mohd Khidir ML, et al. PCA-based feature extraction and K-NN algorithm for early jaundice detection. International Journal of Soft Computing and Software Engineering. 2011;1(1):25-9.
5. Maisels MJ, Bhutani VK, Bogen D, Newman TB, Stark AR, Watchko JF. Hyperbilirubinemia in the newborn infant≥ 35 weeks' gestation: An update with clarifications. Pediatrics. 2009;124(4):1193-8. [DOI:10.1542/peds.2009-0329]
6. Bhutani VK. Phototherapy to prevent severe neonatal hyperbilirubinemia in the newborn infant 35 or more weeks of gestation. Pediatrics. 2011;128(4):1-7. [DOI:10.1542/peds.2011-1494]
7. Wong RJ, Bhutani VK. Pathogenesis and etiology of unconjugated hyperbilirubinemia in the newborn. 2014.
8. Schwartz HP, Haberman BE, Ruddy RM. Hyperbilirubinemia: Current guidelines and emerging therapies. Pediatr Emerg Care. 2011;27(9):884-9. [DOI:10.1097/PEC.0b013e31822c9b4c]
9. Boskabadi H, Zakeri Hamidi M, Goudarzi M. Investigating the effect of maternal risk factors in incidence of neonatal jaundice. Iranian journal of obstetrics, gynecology, and infertility. 2013;15(34):1-6. [In Persian]
10. Najib Kh, Saki F, Hemmati F, Inaloo S. Incidence, risk factors and causes of severe neonatal hyperbilirubinemia in the South of Iran (Fars province). Iran Red Crescent Med J. 2013;15(3):260-3. [In Persian] [DOI:10.5812/ircmj.3337]
11. Mansor MN, Yaacob S, Hariharan M, Basah SN, Ahmad Jamil SHFS, Mohd Khidir ML, et al. Jaundice in newborn monitoring using color detection method. Procedia Eng. 2012;29:1631-5. [DOI:10.1016/j.proeng.2012.01.185]
12. Shukla M, Agarwal M. Knowledge of mothers regarding neonatal jaundice attending immunisation clinic at a tertiary care hospital of Lucknow. International Journal of Applied Research. 2016;2(6):297-9.
13. Arulmozhi A, Ezhilarasi M. Maximal information compression index (MICI) and PSO based detection of jaundice. Journal of Multiple-Valued Logic and Soft Computing. 2015;24(5-6):583-97.
14. Ramachandran A. Neonatal hyperbilirubinaemia. Paediatr Child Health. 2016;26(4):162-8. [DOI:10.1016/j.paed.2015.12.002]
15. Lauer BJ, Spector ND. Hyperbilirubinemia in the newborn. Pediatr Rev. 2011;32(8):341-9. [DOI:10.1542/pir.32.8.341]
16. Calado CS, Pereira AG, Santos VN, Castro MJ, Maio JF. What brings newborns to the emergency department? A 1-year study. Pediatr Emerg Care. 2009;25(4):244-8. [DOI:10.1097/PEC.0b013e31819e361d]
17. Safdari R, Kadivar M, Tabari P, Shawky Own H. Comparison of data classification algorithms to determine the type of neonatal jaundice. Payavard Salamat. 2018;11(5):541-8. [In Persian]
18. Taylor RA, Pare JR, Venkatesh AK, Mowafi H, Melnick ER, Fleischman W, et al. Prediction of in‐hospital mortality in emergency department patients with sepsis: A local big data driven, machine learning approach. Acad Emerg Med. 2016;23(3):269-78. [DOI:10.1111/acem.12876]
19. Sayadi M, Varadarajan V, Sadoughi F, Chopannejad S, Langarizadeh M. A machine learning model for detection of coronary artery disease using noninvasive clinical parameters. Life. 2022;12(11):1-10. [DOI:10.3390/life12111933]
20. Mohammadzadeh N, mosayebi Z, Beigy H, Shojaeinia M. Prediction of sepsis due to acinetobacter infection in neonates admitted to nicu. Payavard Salamat. 2021;14(6):497-505. [In Persian]
21. Mueller M, Almeida JS, Stanislaus R, Wagner CL. Can machine learning methods predict extubation outcome in premature infants as well as clinicians? J Neonatal Biol. 2013;2:1-18. [DOI:10.1109/IJCNN.2013.6707058]
22. Rezaee Kh, Haddadnia J, Rasegh Ghezelbash M. A novel algorithm for accurate diagnosis of hepatitis B and its severity. International Journal of Hospital Research. 2014;3(1):1-10.
23. Pal M, Foody GM. Feature selection for classification of hyperspectral data by SVM. IEEE Trans Geosci Rem Sens. 2010;48(5):2297-307. [DOI:10.1109/TGRS.2009.2039484]
24. Dormohammadi S, Alizadeh S, Asghari M, Shami M. Proposing a prediction model for diagnosing causes of infertility by data mining algorithms. Journal of Health Administration. 2014;17(57):46-57. [In Persian]
25. Farajollahi B. Presenting of prediction model for successful allogenic hematopoietic stem cell transplantation in adults with acute myeloid leukemia [master's thesis]. Theran: Iran University of Medical Sciences; 2022. [In Persian]
26. Hashemian AH, Manochehri S, Afshari D, Manochehri Z, Salari N, Shahsavari S. Prognosis of multiple sclerosis disease using data mining approaches random forest and support vector machine based on genetic algorithm. Tehran University Medical Journal. 2019;77(1):33-40. [In Persian]
27. Setareh S, Zahiri M, Zare Bandamiri M, Raeesi A, Abbasi R. Using data mining for survival prediction in patients with colon cancer. Iranian Journal of Epidemiology. 2018;14(1):19-29. [In Persian] [DOI:10.1155/2018/9678097]
28. Cruz JA, Wishart DS. Applications of machine learning in cancer prediction and prognosis. Cancer Inform. 2006;2:59-77. [DOI:10.1177/117693510600200030]
29. Castro-Ramos J, Toxqui-Quitl C, Villa Manriquez F, Orozco-Guillen E, Padilla-Vivanco A, Sanchez-Escobar J. Detecting jaundice by using digital image processing. Proceedings of SPIE. 2014;8949:1-8. [DOI:10.1117/12.2041354]
30. Adebayo Idowu P, Egejuru NC, Ademola Balogun J, Ajibola Sarumi O. Comparative analysis of prognostic model for risk classification of neonatal jaundice using machine learning algorithms. Computer Reviews Journal. 2019;3:122-46.
31. Umer A. Early prediction of neonatal jaundice using machine learning [master's thesis]. Ethiopia: Bahir Dar University; 2021.
32. Sussma S, Srivignesh S, Kishore VS, Marimuthu M. Jaundice prediction using machine learning approach. International Journal of Advance Research, Ideas and Innovations in Technology. 2022;7(6):493-5.
33. Firouzi Jahantigh F, Nazarnejad R, Firouzi Jahantigh M. Investigating the risk factors for low birth weight using data mining: A case study of Imam Ali hospital, Zahedan, Iran. Journal of Mazandaran University of Medical Sciences. 2016;25(133):171-82. [In Persian]

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.