نوع مقاله : مقاله های پژوهشی
نویسندگان
1
دانشجو، گروه مهندسی پزشکی، دانشکدهی فنی مهندسی، دانشگاه اصفهان، اصفهان، ایران
2
استادیار، گروه مهندسی پزشکی، دانشکدهی فنی مهندسی، دانشگاه اصفهان، اصفهان، ایران
3
استادیار، گروه آمار و اپیدمیولوژی، دانشکدهی بهداشت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
4
دانشجوی دکتری، گروه مامایی، دانشکدهی پرستاری و مامایی، دانشگاه علوم پزشکی اصفهان، ایران
چکیده
مقدمه: وزن کم نوزاد در زمان تولد را میتوان مهمترین عامل در بیماری و مرگ ومیر نوزادان دانست. نوزادانی که در زمان تولد وزن کمی دارند، بیشتر در معرض بیماریها قرار میگیرند. به همین دلیل، پیشبینی احتمال کم وزن بودن نوزاد پیش از تولد، از اهمیت بالایی برخوردار است.روشها: در این مطالعه، یک سیستم تشخیصی به کمک رایانه ارایه شد که به کمک آن میتوان گروه وزنی نوزاد را در زمان تولد پیشبینی کرد و نوزادان را در دو گروه نوزاد با وزن کم و وزن طبیعی طبقهبندی نمود. همچنین، ارتباط میان وزن کم نوزاد در زمان تولد و فاکتورهای ثبت شده از مادران باردار در سهماههی اول، دوم و سوم بارداری مورد بررسی قرارگرفت. مجموعهی دادههای مورد استفاده در این مطالعه شامل اطلاعات گرفته شده از 526 زن باردار با 95 متغیر مختلف ثبت شده از آنها است. برای طبقهبندی نمونههای این مطالعه از روشهای کلاسبندی نزدیکترین همسایهها، شبکههای عصبی احتمالاتی و دو نوع کلاسبند عصبی- فازی انطباقی استفاده گردیده است. علاوه بر آن، انتخاب ویژگی به روش پیدرپی نیز برای کاهش اندازهی فضای ویژگیها مورد استفاده قرار گرفته است.یافتهها: صحت طبقهبندی با استفاده از کلاسبندهای نزدیکترین همسایهها، شبکهی عصبی احتمالاتی و کلاسبند عصبی- فازی انطباقی با استفاده از دو الگوریتم گرادیان مزدوج مدرج و شرایط زبانی، با انتخاب ویژگی به ترتیب برابر با 93، 83، 80 و 83 درصدگزارش شده است.نتیجهگیری: از میان کلاسبندهای مورد استفاده، توان بهترین کلاسبند مورد استفاده در این مطالعه با استفاده از روشهای مناسب اعتبارسنجی، 96 درصد و خطای نوع اول آن 1/0 بوده است. با توجه به این نتایج، سیستم تشخیصی ارائه شده از لحاظ بالینی معتبر میباشد.
کلیدواژهها
عنوان مقاله [English]
Prediction of Low Birth Weight in Infants via Artificial Intelligence Techniques without Using Sonographic Measurements
نویسندگان [English]
-
Mahtab Farahbakhsh
1
-
Hamid Reza Marateb
2
-
Marjan Mansourian
3
-
Masoomeh Goodarzi-Khoigani
4
1
Student, Department of Biomedical Engineering, School of Engineering, University of Isfahan, Isfahan, Iran
2
Assistant Professor, Department of Biomedical Engineering, School of Engineering, University of Isfahan, Isfahan, Iran
3
Assistant Professor, Department of Biostatistics and Epidemiology, School of Health, Isfahan University of Medical Sciences, Isfahan, Iran
4
PhD Student, Department of Midwifery, School of Nursing and Midwifery, Isfahan University of Medical Sciences, Isfahan, Iran
چکیده [English]
Background: Birth weight is probably the most important factor affecting neonatal mortality and morbidity. Compared with normal weight infants, low-birth-weight (LBW) infants may be more at risk for many health problems. The prediction of low birth weight is important as it may cause mental and physical health problems in childhood and adulthood. We assessed a computer-aided diagnosis system to classify infants to low or normal birth weight categories.Methods: In the present study, the association between the low birth weight and the intake of about 40 types of macro- and micronutrients during the first (1st Tr), second (2nd Tr.) and third (3rd Tr.) trimesters was assessed based on demographic and reproductive characteristics, physical activity and nutrients intake in pregnant women. The dataset used in this study contained 526 pregnant women with 95 input features. The used classifiers were k-Nearest Neighbors (kNN), Probabilistic Neural Network (PNN), and two Adaptive Neuro-Fuzzy Classifiers (ANFC-SCG: Scaled Conjugate Gradient, ANFC-LHs: Linguistic Hedges). Also, sequential feature selection (FS) was applied on the low birth weight risk factors to reduce the feature space.Findings: The accuracy of the classifiers kNN, PNN, ANFC-SCG and ANFC-LHs were 48%, 50%, 50% and 50% without feature selection and 93%, 83%, 80% and 83% with feature selection, respectively.Conclusion: Among the tested classifiers, the statistical power and type I error (α) of the best configuration (FS-kNN; k = 3) were 96% and 0.10 in the Leave-One-Out validation framework, showing that the proposed diagnosis system is clinically reliable. Also, using Leave-One-Out cross-validation, the guarding against Type III error was granted.
کلیدواژهها [English]
-
Computer-aided medical diagnosis
-
Leave-one-out cross validation
-
Low birth weight
-
Sequential feature selection