نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 واحد علوم و تحقیقات، دانشگاه آزاد اسلامی

2 دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر

3 دانشکده پزشکی، دانشگاه شاهد

4 دانشکده فنی و مهندسی، دانشگاه شاهد

10.22041/ijbme.2007.13487

چکیده

زردی یکی از بیماری های شایع دوران نوزادی است. این بیماری در اکثر موارد خطر جدی نداشته و عموما با فتوتراپی و یا در موارد وخیم تر با تعویض خون بهبود می یابد. لکن در شرایط خاص، مقادیر بالای بیلیروبین سرم از سد خونی- مغزی می تواند عبور کند تا متعاقبا موجب آسیب عصبی، از دست دادن شنوایی و حتی تشنج و مرگ خواهد شد. مدلسازی بیماری در زمینه تشخیص و یا پیش بینی به صورت مجزا و یا توام، مقوله ای است که در سال های اخیر توجه بسیاری را به خود جلب کرده است. در این مقاله، ضمن مروری بر مدل های ارایه شده قبلی در رابطه با زردی نوزاد، بر اساس داده های جمع آوری شده از نوزادان داخل کشور، مدل هایی جهت تشخیص نوع بیماری و همچنین پیش بینی ابتلا به زردی برای اولین بار ارایه گردیده است. همچنین، طرح درمان آن در ایران در قالب جدولی تدوین شده است. در این مدلسازی از شبکه های عصبی جلوسو سه لایه استفاده شده است. از نتایج این مدلسازی می توان در جهت کاهش هزینه های اضافی درمان و جلوگیری از صدمات احتمالی به نوزاد بهره گرفت.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Classification And Prediction Of Neonatal Jaundice Using Neural Networks

نویسندگان [English]

  • Azade Ahouraei 1
  • Farzad Towhidkhah 2
  • Fateme Haji Ebrahim Tehrani 3
  • Rasoul Khayati 4

1 Islamic Azad University, Science & Research Branch

2 Department of Biomedical Engineering, Amirkabir University of Technology

3 Faculty of Medicine, Shahed University

4 Department of Engineering, Shahed University

چکیده [English]

Jaundice (hyperbilirubinemia) is a common disease in newborn babies. Under certain circumstances, elevated bilirubin levels may have detrimental neurological effects. In some cases, phototherapy is needed to lower the level of total serum bilirubin, which indicates the presence and severity of jaundice. Recently, diagnosis and treatment modeling of disease have been considered by many researchers. In this paper, we present two models for classification and prediction of neonatal jaundice. The models are based on recorded data of Iranian Neonates. This study is oriented on the basis of following procedures: a short review on physiology of Jaundice, and then description of the models. Two three-layer feed forward neural networks were used in the modeling. The neural network model for classification is able to specify the type of jaundice, and the model for prediction can evaluate the risk of jaundice for newborns. These models can be used to decrease the risk in the critical cases as well as the cost of treatment.

کلیدواژه‌ها [English]

  • Neonatal jaundice
  • Modeling
  • Serum Bilirubin
  • Jaundice Diagnosis
  • prediction

[1]     Behrman RE, Kliegman, RM, Jenson HB; Jaundice and Hyperbilirubinemia in the Newborn, 16th Edit, Textbook of Pediatrics 2000; 513–519.

[2]     Bhutani VK, Gourley GR, Saul A, Bili K, Chris D, Lois H; Noninvasive measurement of total serum bilirubin in a multiracial predischarge newborn population to assess the risk of severe hyperbilirubinemia; Pediatrics 2000; 106.

[3]     Fanaroff AA, Martin RG, Neonatal Jaundice and Liver Disease 2002, 7th Edit; 1343–1439.

[4]     http://truespectra.fullerton.edu:60/?TSimg=/tszoom/ts_ examples/zoommx_gen.html.

[5]     http://www.ifs.tuwien.ac.at/~silvia/pub/publications/se y_medinfo2001.pdf.

[6]     American Academy of Pediatrics, Practice parameter: Management of hyperbilirubinemia in the healthy term newborn; Pediatrics 1994, 94: 558–565.

[7]     Bottini M, Meloni GF, Gloria-Bottini, F; Seasonal Pattern of Phototherapy: A study in the Sardinian population; Biological Rhythm Research 2003, 34(1): 13–21.

[8]     Stevenson DK, Fanaroff AA, Maisels MJ, Young BWY, Wong RJ, Vreman HJ, MacMahon JR, Yeung CY, Seidman DS, Gale R, Oh W, Bhutani VK, Johnson LH, Kaplan M, Hammerman C, Nakamura H, Prediction of Hyperbilirubinemia in Near Term and Term Infants; Pediatrics 2001;108.

[9]     خیاطی رسول؛ مدلسازی پروسه درمان زردی نوزاد با استفاده از stateflow؛ یازدهمین کنفرانس مهندسی پزشکی ایران، دانشگاه صنعتی امیرکبیر، 1382، 50.