این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدیریت سلامت، جلد ۱۸، شماره ۶۲، صفحات ۴۲-۵۱
عنوان فارسی پیش‌بینی تولد نوزاد نارس در مادران باردار شده از طریق فن‌آوری‌های کمک باروری با استفاده از شبکه عصبی
چکیده فارسی مقاله مقدمه: امروزه فن ­آوری­های کمک باروری به­طور گسترده­ای برای درمان ناباروری زوجین مورد استفاده قرار می­گیرد. میزان تولد نارس در نوزادان مادرانی که از طریق فن­آوری­های کمک باروری باردار گردیده­اند، بیش­تر از بارداری­های طبیعی می­باشد. هدف این مطالعه پیش­بینی تولد نوزادان نارس در مادران باردار شده از طریق فن­آوری­های کمک باروری می­باشد. روش­ کار: در این مطالعه گذشته ­نگر، ابتدا 45 متغیر تاثیرگذار بر تولد نارس در مادران باردار شده از طریق فن­آوری­های کمک­باروری شناسایی شدند و از پرونده بالینی این مادران در بیمارستان صارم از سال 1377 تا شهریور 1393، در پاییز 1393 استخراج شد. متغیرهای تاثیرگذار با استفاده از الگوریتم انتخاب ویژگی و درخت تصمیم در نرم ­افزار SPSS Clementine شناسایی شد. شبکه عصبی پرسپترون چند­لایه در نرم­افزار Matlab طراحی گردید. ارزیابی شبکه بر اساس ماتریس آشفتگی و معیارهای ویژگی، حساسیت و صحت انجام گردید. یافته­ ها: با استفاده از الگوریتم انتخاب ویژگی و درخت تصمیم، 15 متغیر تاثیرگذار به عنوان ورودی شبکه عصبی انتخاب گردید. شبکه پرسپترون چند­لایه طراحی و ارزیابی شد. شبکه عصبی طراحی شده در داده­ های تست دارای صحت2/87 درصد، حساسیت 0/80 درصد، ویژگی 2/88 درصد و در کل داده­ها دارای صحت 4/95 درصد، حساسیت 0/95 درصد و ویژگی 5/95 درصد بود. نتیجه­ گیری: با توجه به نتایج به دست آمده از این پژوهش، استفاده از شبکه پرسپترون چند­لایه برای پیش‌بینی نتیجه زایمان از نظر تولد نوزاد ترم یا نوزاد نارس در مادران باردار شده از طریق فن­آوری­های کمک باروری می­تواند در پیشگیری از عوارض تولد نوزاد نارس کمک کننده باشد.
کلیدواژه‌های فارسی مقاله فن آوری های کمک باروری، شبکه عصبی ، نوزاد نارس
عنوان انگلیسی Predicting Premature Birth in Pregnant Women via Assisted Reproductive Technologies using Neural Network
چکیده انگلیسی مقاله Introduction: Nowadays, assisted reproductive technologies are widely used to treat infertility in couples. Studies indicate that the rate of premature birth after using Assisted Reproductive Technologies has been increased as compared to normal pregnancies. The purpose of our study was predicting premature birth in pregnant women via Assisted Reproductive Technologies using artificial neural networks. Methods: In this retrospective study, initially 45 variables were identified as effective factors for prediction of premature birth in pregnant women via Assisted Reproductive Technologies and data of 130 women were extracted using clinical records in Sarem hospital in Tehran from 1998 to 2014 in October and November, 2014. The most important variables were identified as effective variables using feature selection algorithm and decision tree in SPSS Clementine. Multi-Layer Perceptron network was designed to predict the premature birth in Matlab software. Confusion matrix was used for evaluation in order to calculate accuracy, sensitivity and specificity. Results: We identified fifteen effective features using feature selection algorithm and decision tree as inputs of the neural networks. Multi-Layer Perceptron network was designed and evaluated. The accuracy, sensitivity and specificity of the test data were 87.2%, 80.0% and 88.2%, respectively and for the total data were 95.4%, 95.0% and 95.5%, respectively. Conclusion: According to the results, designed neural network for predicting premature birth in pregnant women via Assisted Reproductive Technologies can be helpful in prevention of premature birth complications.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مصطفی لنگری زاده | m langarizadeh
دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
سازمان اصلی تایید شده: دانشکده مدیریت و اطلاع رسانی پزشکی

مرجان قاضی سعیدی | m ghazi saeedi
دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی تهران (Tehran university of medical sciences)

مژگان کرم نیای فر | m karam niay far
مرکز تحقیقات سلولی صارم، تهران، ایران
سازمان های دیگر: بیمارستان صارم تهران

منیژه حسین پور | m hoseinpour
دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی تهران (Tehran university of medical sciences)

نشانی اینترنتی http://jha.iums.ac.ir/browse.php?a_code=A-10-1454-1&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده 1
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات