بیوانفورماتیک / زیستدادهورزی
امین جانقربانی؛ محمد حسن مرادی
دوره 10، شماره 3 ، مهر 1395، ، صفحه 197-209
چکیده
نوزادان کموزن در هنگام تولد، نوزادانی با وزن کمتر از 2500 گرم در هنگام تولد هستند. این نوزادان بیشتر از سایر نوزادن، در معرض خطرات مرگومیر، ناهنجاریهای مادرزادی، عقبماندگی ذهنی و سایر اختلالات فیزیکی و عصبی هستند. حدود 5/15% از موالید در سطح دنیا، نوزادان با وزن کم در هنگام تولد هستند و کاهش این میزان از موالید به یکسوم مقدار ...
بیشتر
نوزادان کموزن در هنگام تولد، نوزادانی با وزن کمتر از 2500 گرم در هنگام تولد هستند. این نوزادان بیشتر از سایر نوزادن، در معرض خطرات مرگومیر، ناهنجاریهای مادرزادی، عقبماندگی ذهنی و سایر اختلالات فیزیکی و عصبی هستند. حدود 5/15% از موالید در سطح دنیا، نوزادان با وزن کم در هنگام تولد هستند و کاهش این میزان از موالید به یکسوم مقدار فعلی، بهعنوان یکی از اهداف برنامة یونیسف مطرح شده است. با توجه به موارد ذکرشده، پیشآگهی تولد این نوزادان، نقش مهمی در پیشگیری از وقوع آن دارد. بهعلاوه ، زمینه را برای تصمیمگیریهای بالینی بهموقع و مؤثر برای حفظ سلامت آنان فراهم میآورد. در این پژوهش، از شبکههای فازی شواهدی، بهعنوان مدل پیشآگهی تولد نوزادان با وزن کم هنگام تولد، استفاده شد این شبکهها با استفاده از منطق فازی و تئوری شواهد، قابلیت مدیریت وجوه مختلف عدم قطعیت را دارند. نتایج بهدستآمده از بهکارگیری شبکههای فازی شواهدی و سایر مدلهای پرکاربرد در این زمینه، مانند درخت تصمیمگیری، ماشین بردار پشتیبان و مدل بیز ساده و...، روی پایگاه دادة مربوط به سه بیمارستان شهر تهران، نشان داد که شبکة فازی شواهدی با صحت 84.8% ، عملکرد بهتری از سایر مدلها دارد. در رویکردی دیگر، ترکیب نتایج شبکة فازی شواهدی با مدل بیز ساده، به افزایش صحت پیشآگهی به 85.2 % منجر شد. علاوه بر این، توانایی این شبکهها در برخورد با دادههای گمشده، بهعنوان یکی از چالشهای رایج در مجموعه دادههای پزشکی، بررسی شد. شبکة فازی شواهدی، بهترین عملکرد را در مدیریت عدم قطعیت ناشی از جانهی دادههای گمشده در مقایسه با سایر مدلها، از خود نشان داد و عملکرد آن با افزایش متغیرهای گمشده در هر نمونه، با افت کمتری از سایر روشها روبرو شد.
پردازش سیگنالهای حیاتی
امین جانقربانی؛ محمدحسن مرادی؛ عبدالله آراسته
دوره 7، شماره 2 ، شهریور 1392، ، صفحه 163-174
چکیده
اپیزودهای افت فشار خون حاد یکی از اختلالات همودینامیکی رایج در طیف گسترد های از بیماران است. متاسفانه نرخ تلفات در بین بیماران مبتلا به این اختلال بسیار بالا می باشد. عوامل مختلفی در وقوع این اختلال فیزیولوژیک موثر هستند که هر کدام داری منشا متفاوت می باشند. پیش آگهی اپیزودهای افت فشار خون حاد کمک شایانی به درمان مناسب و کاهش تلفات ...
بیشتر
اپیزودهای افت فشار خون حاد یکی از اختلالات همودینامیکی رایج در طیف گسترد های از بیماران است. متاسفانه نرخ تلفات در بین بیماران مبتلا به این اختلال بسیار بالا می باشد. عوامل مختلفی در وقوع این اختلال فیزیولوژیک موثر هستند که هر کدام داری منشا متفاوت می باشند. پیش آگهی اپیزودهای افت فشار خون حاد کمک شایانی به درمان مناسب و کاهش تلفات این بیماران خواهد نمود. با پی شآگهی این اختلال فیزیولوژیکی، پزشکان قادر خواهند بود علت وقوع این اختلال را با استفاده از بررس یهای بالینی مختلف دریافته و درمان مناسبی بر اساس عامل وقوع آن، انتخاب کنند. در این پژوهش به منظور پیش آگهی اپیزودهای افت فشار خون حاد در بازه یک ساعت آینده، دو نوع ویژگی آماری از پارامترهای همودینامیکی و ویژگی های آشوبناک از سری های زمانی فیزیولوژیکی موجود در بازه دو ساعتی منتهی به به ابتدای بازه پیش بینی، استخراج گردید. سپس ویژگی های برگزیده با استفاده از الگوریتم ژنتیک، توسط ماشین بردار پشتیبان طبقه بندی شدند. دقت پیش آگهی برای ویژگ یهای آماری پارامترهای فیزیولوژیکی 5/87 درصد و برای ویژگی های آشوبی 85 درصد حاصل گردید. در ادامه به منظور استفاده از جنبههای مختلف اطلاعات موجود در دو دسته ویژگی و بهبود دقت پیش آگهی، فرآیند انتخاب ویژگی به صورت همزمان برای هر دو دسته ویژگی استخراج شده، اعمال گردید و بهترین ترکیب از میان هر دو دسته ویژگی انتخاب شد. دقت پیش آگهی برای دسته ویژگی تلفیقی بهینه، 95 درصد حاصل شد که در مقایسه با نتایج مطالعات پیشین بر روی مجموعه داده مشابه، بهبود قابل توجهی حاصل گردید.