Journal of Health Administration

fa ایجاد سیستم تصمیم ‌یار بالینی برای پیش بینی پوکی استخوان Developing a decision support system for osteoporosis Prediction پژوهشي Research 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 الگوریتم&rlm;های 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.   Introduction: Osteoporosis is a common disease in women.  Osteoporosis fractures may cause irreparable damages; therefore, early diagnosis and treatment before fractures is an important issue.  The ojectiveof this study was to develop a decision support system for diagnosing osteoporosis using artificial neural networks. Method: This developmental study has been done in second half of 2017 based on crossectional method. In  present study initially Osteoporosis affecting clinical factors were identified and the most significant clinical factors were selected through incorporation of a questionnaire-based survey. Subsequently, information of 256 female participants and their BMD test results, five years after initial data entry were used to train neural network. The information was obtained fromwomen who refered to department of Bone Mineral Densityof oushehr university of medical sciences. In order to identify the best network, trial and error method was used and neural networks with different topologies were trained using  Scaled Conjugate Gradient and Levenberg-Marquardt algorithms. Confusion matrix was used to evaluate the network’s accuracy, sensitivity and specificity. Results: In the first stage, out of 15 essential variables, 12 variables were selected as the most important risk factors. Multilayer perceptron neural network was designed. Results showed that the best structure of network was due to Scaled Conjugate Gradient algorithm with 10 neurons and Levenberg-Marquardt algorithm with 12 neurons in hidden layer. Accuracy comparison was showed that generally Levenberg-Marquardt algorithm had better result. The best sensitivity, specificity, and accuracy was 83.1%, 89.4%, and 86.3% respectively. Conclusion: In this study developed a diagnostic tool based on local data that could be effective in tracking osteoporosis. Utilizing such a diagnostic tool as a timely referral of individuals and initiating therapy as soon as possible may prevent fractures from occurring and help avoiding the frequent complications of osteoporosis. پوکی استخوان, عوامل خطر بالینی, شبکه عصبی مصنوعی, تصمیم یار Osteoporosis, Clinical risk factors, artificial neural network 87 100 http://jha.iums.ac.ir/browse.php?a_code=A-10-2431-1&slc_lang=fa&sid=1 Mostafa Langarizade مصطفی لنگری زاده langarizadeh2001@yahoo.com 11200319475328460019913 11200319475328460019913 No , School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Leila Owji لیلا اوجی leila.owji@gmail.com 11200319475328460019914 11200319475328460019914 Yes School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Azam Orooji اعظم اروجی orooji_9898@yahoo.com 11200319475328460019915 11200319475328460019915 No , School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران