تعيين دوز وارفارين در بيماران بزرگسال ايراني داراي دريچه مصنوعي قلب با استفاده از شبكه عصبي مصنوعي

Warfarin Dose in Iranian Adult Patients with an Artificial Heart Valve by Using Artificial Neural Networks

هوش مصنوعي شاخه اي از علوم كامپيوتر است كه توانايي تحليل داده هاي پزشكي پيچيده را دارد كه استفاده از آن در تشخيص، درمان و مراقبت از بيماران رايج است. وارفارين يكي از رايج ترين داروهاي ضدانعقادي است كه تعيين دقيق دوز مورد نياز بيماران يكي از چالش هاي عمده در نظام سلامت است كه مورد توجه پژوهشگران قرار گرفته است. هدف اين پژوهش تعيين دوز وارفارين مورد نياز بيماران داراي دريچه مصنوعي قلب با استفاده از شبكه هاي عصبي است.روش بررسي: تعداد 9 شبكه عصبي پرسپترون چند لايه با ساختارهاي متفاوت ايجاد شد. براي ارزيابي عملكرد شبكه ها از داده هاي 846 بيمار استفاده شد كه در شش ماهه ي دوم سال 92 به درمانگاه pt مركز قلب تهران مراجعه كرده بودند. تمام شبيه سازي ها شامل پيش پردازش داده و طراحي شبكه عصبي در محيط matlab انجام گرديد.يافته ها: ارزيابي عملكرد شبكه ها بر اساس روش 10 fold cross انجام شد كه نشان داد بهترين شبكه عصبي، شبكه اي است كه داراي 7 نورون در لايه ي پنهان خود است كه داراي ميانگين خطاي مطلق=0.1، نرخ اغتشاش=0.33 و رگرسيون=0.87 درصد بود.نتيجه گيري: نتايج پژوهش بيانگر اين نكته است كه شبكه هاي عصبي مصنوعي بر روي داده هاي بومي قادر به پيش بيني دوز وارفارين در بيماران داراي دريچه قلب مصنوعي مي باشد. هر چند هيچ سيستمي قادر به ارايه پاسخ صحيح در صددرصد موارد نيست، ليكن اين گونه سيستم ها مي توانند كمك موثري در كاهش ميزان خطاهاي پزشكي باشند.

Background and Aim: Artificial intelligence is a branch of computer science that has the ability of analyzing complex medical data. Using artificial intelligence is common in diagnosing, treating and taking care of patients. Warfarin is one of the most commonly prescribed oral anticoagulants. Determining the exact dose of warfarin needed for patients is one of the major challenges in the health system, which has attracted the attention of researchers. The purpose of this study was to determine the exact dose of warfarin needed for patients with artificial heart valves using artificial neural networks (ANN). Materials and Methods: A total of 9 multi-layer perceptron ANNs with different structures were constructed and evaluated based on a dataset including 846 patients who had referred to the PT clinic in Tehran Heart Center in the second half of the year 2013. Finally, the best structure of ANN for warfarin dose was investigated. All simulations including data preprocessing and neural network designing were done in MATLAB environment. Results: The effectiveness of ANNs was evaluated in terms of classification performance using 10-fold cross-validation procedure and the results showed that the best model was a network that had 7 neurons in its hidden layer with an average absolute error of 0.1, turbulence rate of 0.33, and regression of 0.87. Conclusion: The achieved results reveal that ANNs are able to predict warfarin dose in Iranian patients with an artificial heart valve. Although no system can be guaranteed to achieve 100% accuracy, they can be effective in reducing medical errors.