مجله دانشکده پزشکی اصفهان

مجله دانشکده پزشکی اصفهان

مقایسه‌ی روش‌های ANFIS، MLP و PCA-ANFIS در مدلسازی و پیش‌بینی فضایی لیشمانیوز جلدی در شهرستان سبزوار، ایران

نوع مقاله : Original Article(s)

نویسندگان
ایوب رستگار 1
علی اوغازیان 2
علیرضا محمدی 3
علی پوریوسف 4
محمدشفیع مجددی 5
1 دانشیار، گروه مهندسی بهداشت محیط، دانشگاه علوم پزشکی خراسان شمالی، بجنورد، ایران
2 گروه مهندسی بهداشت محیط، دانشکده‌ی بهداشت و ایمنی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران
3 دانشجوی پزشکی، کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی سبزوار، سبزوار، ایران
4 استادیار انگل‌شناسی، مرکز تحقیقات لیشمانیوز، دانشگاه علوم پزشکی سبزوار، سبزوار، ایران
5 استاد ایمونولوژی، مرکز تحقیقات لیشمانیوز، دانشگاه علوم پزشکی سبزوار، سبزوار، ایران
10.48305/jims.v43.i842.1656
چکیده
مقدمه: بیماری لیشمانیوز جلدی (سالک)، یک بیماری انگلی و زئونوز است. این مطالعه به مقایسه‌ی سه روش سیستم استنتاج عصبی فازی تطبیقی (Adaptive Neuro-Fuzzy Inference System)، پرسپترون چند لایه (Multi-Layer Perceptron) و تحلیل مؤلفه‌های اصلی (PCA – ANFIS) برای مدل‌سازی و پیش‌بینی این بیماری در شهرستان سبزوار پرداخت.
روش‌ها: داده‌های مورد استفاده شامل موارد ابتلا به لیشمانیوز جلدی (۱۳۹۳–۱۴۰۰) و عوامل مؤثر مانند جمعیت، اقلیم، پوشش گیاهی و توپوگرافی بودند. از GIS (Geographic Information System) و مدل‌های ANFIS، MLP و PCA-ANFIS برای پیش‌بینی فضایی بیماری استفاده شد.
یافته‌ها: بیشترین موارد ابتلا در پاییز و زمستان رخ داده بود، در حالیکه بهار، کم‌ترین میزان را داشت. ارتفاع و شاخص پوشش گیاهی (Normalized Difference Vegetation Index) بیشترین تأثیر را در پیش‌بینی بیماری داشتند. مدل ANFIS: بیشترین موارد ابتلا را در بخش بیهق پیش‌بینی کرد. مدل MLP: نتایج مشابهی داشت، اما در مناطق زرین، فروغن و ربع شامات موارد کمتری پیش‌بینی شد. مدل PCA-ANFIS: در مناطقی مانند حکم‌آباد، کراب و رباط، موارد ابتلای بالاتری نسبت به دو مدل دیگر نشان داد. پیش‌بینی ریسک خطر بیماری در هر سه مدل مشابه بود.
نتیجه‌گیری: مدل PCA-ANFIS عملکرد بهتری در پیش‌بینی لیشمانیوز جلدی در سبزوار داشت. این مطالعه می‌تواند به تهیه‌ی نقشه‌های پیش‌بینی و آسیب‌پذیری بیماری کمک کند و اطلاعات ارزشمندی برای برنامه‌ریزی بهداشتی و کاهش شیوع سالک ارائه دهد.
 
 

تازه های تحقیق

ایوب رستگار: Google Scholar, PubMed

علی اوغازیان: Google Scholar, PubMed

علی پوریوسف: Google Scholar, PubMed

محمدشفیع مجددی: Google Scholar, PubMed 

کلیدواژه‌ها
لیشمانیوز جلدی
سیستم اطلاعات جغرافیایی
مدل‌های شبکه عصبی
منطق فازی
تحلیل مؤلفه اصلی
پیش‌بینی

موضوعات

عنوان مقاله English

Comparison of ANFIS, MLP, and PCA-ANFIS Methods in Modeling and Spatial Prediction of Cutaneous Leishmaniasis in Sabzevar County, Iran

نویسندگان English

Ayoob Rastegar 1
Ali Oghazyan 2
Alireza Mohammadi 3
Ali Pouryousef 4
Mohammad-Shafi Mojadadi 5
1 Associate Professor, Department of Environmental Health Engineering, School of Health, North Khorasan University of Medical Sciences, Bojnord, Iran
2 Department of Environmental Health Engineering, School of Public Health and Safety, Shahid Beheshti University of Medical Sciences, Tehran, Iran
3 Medical Student, Student Research Committee, Sabzevar University of Medical Sciences, Sabzevar, Iran
4 Assistant Professor, Leishmaniasis Research Center, Sabzevar University of Medical Sciences, Sabzevar, Iran
5 Professor, Leishmaniasis Research Center, Sabzevar University of Medical Sciences, Sabzevar, Iran
چکیده English

Background: Cutaneous leishmaniasis (CL) is a parasitic and zoonotic disease. This study compares three methods: Adaptive Neuro-Fuzzy Inference System (ANFIS), Multi-Layer Perceptron (MLP), and Principal Component Analysis (PCA-ANFIS) for modeling and predicting this disease in Sabzevar, Iran.
Methods: Data consisted of reported CL cases (2014–2021) and influencing factors such as population, climate, vegetation cover, and topographic variables. Geographic Information Systems (GIS) along with ANFIS, MLP, and PCA–ANFIS models were employed for spatial prediction.
Findings: Most cases were reported in autumn and winter, while spring had the lowest incidence. The Normalized Difference Vegetation Index (NDVI) had the most significant impact on disease prediction. The ANFIS model predicted the highest number of cases in the Beyhaq district. The MLP model showed similar results but predicted fewer cases in the Zarrin, Foroughan, and Rob'e Shammat areas. The PCA-ANFIS model indicated higher incidence rates in areas such as Hokmabad, Karraab, and Robat compared to the other two models. The predicted risk of disease was similar across all three models.
Conclusion: The PCA-ANFIS model performed better in predicting cutaneous leishmaniasis in Sabzevar. This study can contribute to the preparation of disease prediction and vulnerability maps and provide valuable information for health planning and reducing the prevalence of leishmaniasis.

کلیدواژه‌ها English

Cutaneous leishmaniasis
Geographic information systems
Neural network models
Fuzzy logic
Principal component analysis
Forecasting
1.     Abadías-Granado I, Diago A, Cerro PA, Palma-Ruiz AM, Gilaberte Y. Cutaneous and mucocutaneous leishmaniasis. Actas Dermo-Sifiliográficas (English Edition) 2021; 112(7): 601-18.
2.     Kyari S. Epidemiology of Leishmaniasis.  Leishmania Parasites-Epidemiology, Immunopathology and Hosts: IntechOpen; 2024.
3.     Karimi A, Jahanifard E, Abai MR, Rassi Y, Veysi A, Hanafi-Bojd AA, et al. Epidemiological survey on Cutaneous Leishmaniasis in southwestern Iran. J Vector Borne Dis 2020; 57(2): 121-7.
4.     Namazi MJ, Dehkordi AB, Haghighi F, Mohammadzadeh M, Zarean M, Hasanabad MH. Molecular detection of Leishmania species in northeast of Iran. Comp Clin Pathol 2018; 27: 729-33.
5.     Javaheri E, Sharifi I, Bamorovat M, Barghbani R, Raiesi O, Zarandi MB, et al. New foci of zoonotic cutaneous leishmaniosis due to Leishmania major in the northeastern Iran cities of Sabzevar and Neghaab. Ann Parasitol 2021; 67(4): 683-9.
6.     Namazi MJ, Javaheri E, Atabati H, Mojadadi M-S. Identification of Leishmania species by high-resolution melting analysis in newly emerged foci in Sabzevar, northeast of Iran. J Parasit Dis 2021; 45(1): 191-6.
7.     Eisen L, Eisen RJ. Using geographic information systems and decision support systems for the prediction, prevention, and control of vector-borne diseases. Annu Rev Entomol 2011; 56(1): 41-61.
8.     Uzair M, Tariq S. Geographic Information System (GIS): A tool to manage vector-borne diseases. Pakistan Journal of Public Health 2023; 13(1): 1-2.
9.     Shirzadi MR, Mohammadi P, Moradi G, Goodarzi E, Khazaei S, Moayed L, et al. The incidence and geographical distribution of brucellosis in Iran using geographic information system and prediction of its incidence in 2021. J Prev Med Hyg 2021; 62(3): E635-E634.
10.  Ostad M, Shirian S, Pishro F, Abbasi T, Ai A, Azimi F. Control of cutaneous leishmaniasis using geographic information systems from 2010 to 2014 in Khuzestan Province, Iran. PloS One 2016; 11(7): e0159546.
11.  Mollalo A, Alimohammadi A, Shirzadi MR, Malek MR. Geographic information system‐based analysis of the spatial and spatio‐temporal distribution of zoonotic cutaneous leishmaniasis in Golestan Province, north‐east of Iran. Zoonoses Public Health 2015; 62(1): 18-28.
12.  Shirzadi MR, Javanbakht M, Jesri N, Saghafipour A. Spatial distribution of cutaneous leishmaniasis cases referred to health centers of three Khorasan provinces in Iran using geographical information system. Iran J Public Health 2019; 48(10): 1885-92.
13.  Ramezankhani R, Hosseini A, Sajjadi N, Khoshabi M, Ramezankhani A. Environmental risk factors for the incidence of cutaneous leishmaniasis in an endemic area of Iran: A GIS-based approach. Spat Spatiotemporal Epidemiol 2017; 21: 57-66.
14.  Mohammadi E, Kermani S, Nourian-Zavareh M, Zare A, Aghapanah-Roudsari H, Samieinasab M, et al. A new approach of phonocardiogram analysis for screening some of cardio-vascular diseases based on deep learning [in Persian]. J Isfahan Med Sch 2022; 40(661): 109-14.
15.  Barati B, Erfaninejad M, Hashemi S, Chegeni N, Arshadhi M. Evaluation of Machine Learning Algorithms for Predicting Tumor and Non-tumor Brain Mri Images [in Persian]. J Isfahan Med Sch 2024; 42(778): 674-86.
16.  Subhadra K, Vikas B. Neural network based intelligent system for predicting heart disease. International Journal of Innovative Technology and Exploring Engineering 2019; 8(5): 484-7.
17.  Kaffash Charandabi N, Shirzadi MR. Modeling and analysis of leishmaniasis distribution process using multilayer perceptron neural network and support vector regression (Case study: villages of Isfahan province) [in Persian]. Journal of Geomatics Science and Technology 2023; 12(2): 1-15.
18.  Bamorovat M, Sharifi I, Rashedi E, Shafiian A, Sharifi F, Khosravi A, et al. A novel diagnostic and prognostic approach for unresponsive patients with anthroponotic cutaneous leishmaniasis using artificial neural networks. PLoS One 2021; 16(5): e0250904.
19.  Babaie E, Alesheikh AA, Tabasi M. Spatial prediction of human brucellosis (HB) using a GIS-based adaptive neuro-fuzzy inference system (ANFIS). Acta Trop 2021; 220: 105951.
20.  Babaie E, Alesheikh AA, Tabasi M. Spatial modeling of zoonotic cutaneous leishmaniasis with regard to potential environmental factors using ANFIS and PCA-ANFIS methods. Acta Trop 2022; 228: 106296.
21.  Shabeeb AG, Hashim HA, Gharghan SK. Heart disease classification based on combination of PCA/ANFIS model. Res Biomed Eng 2024; 40(3): 609-25.
22.  Sigudla J, Maritz JE. Exploratory factor analysis of constructs used for investigating research uptake for public healthcare practice and policy in a resource-limited setting, South Africa. BMC Health Serv Res 2023; 23(1): 1423.
23.  Tabasi M, Alesheikh AA, Kalantari M, Babaie E, Mollalo A. Spatial modeling of covid-19 prevalence using adaptive neuro-fuzzy inference system. ISPRS International Journal of Geo-Information 2022; 11(10): 499.
24.  Mokhtari M, Miri M, Nikoonahad A, Jalilian A, Naserifar R, Ghaffari HR, et al. Cutaneous leishmaniasis prevalence and morbidity based on environmental factors in Ilam, Iran: Spatial analysis and land use regression models. Acta Trop 2016; 163: 90-7.
25.  Tabasi M, Alesheikh AA, Sofizadeh A, Saeidian B, Pradhan B, AlAmri A. A spatio-temporal agent-based approach for modeling the spread of zoonotic cutaneous leishmaniasis in northeast Iran. Parasit Vectors 2020; 13(1): 572.
26.  Mohammadi A, Pishgar E, Bergquist R. Cutaneous leishmaniasis in a hyperendemic metropolitan area in Iran: spatial probability modeling by machine-learning. J Med Entomol 2025; 62(5): 1087-100.
27.  Bozorg-Omid F, Kafash A, Jafari R, Akhavan AA, Rahimi M, Rahimi Foroushani A, et al. Predicting current and future high-risk areas for vectors and reservoirs of cutaneous leishmaniasis in Iran. Sci Re 2023; 13(1): 11546.
28.  Shiravand B, Dehghani Tafti A, Hanafi-Bojd AA, Almodaresi SA, Mirzaei M, Abai MR. Modeling spatial risk of zoonotic cutaneous leishmaniasis in Central Iran. Acta Trop 2018; 185: 327-35.
 
مجله دانشکده پزشکی اصفهان
دوره 43، شماره 842
هفته 2، بهمن
بهمن و اسفند 1404
صفحه 1656-1665

  • تاریخ دریافت 31 فروردین 1404
  • تاریخ پذیرش 14 اسفند 1404