پيش‌بيني ميزان بروز بيماري سل با استفاده از سري‌هاي زماني مبتني بر شبكه‌هاي عصبي در ايران

Tuberculosis incidence predicting system using time series neural network in Iran

زمينه و هدف: يكي از بيماري‌هاي عفوني مهم با مرگ‌ومير بالا در جهان، سل مي‌باشد كه هيچ كشوري از آن مصون نيست و امروزه به‌علل مختلف مانند بيماري‌هاي زمينه‌اي بروز آن بار ديگر در حال افزايش مي‌باشد. براساس آخرين گزارش سازمان بهداشت جهاني از وضعيت سل در ايران، سل مقاوم به دارو (MDR-TB) و سل در افراد داراي ويروس نقص ايمني انساني (Human immunodeficiency virus, HIV) در كشور رو به افزايش است. پيش‌بيني بروز براي پيشگيري، مديريت و كنترل بهتر اين بيماري امري لازم مي‌باشد. هدف اين مطالعه ايجاد سيستم پيش‌بيني كننده ميزان بروز سل مي‌باشد. روش بررسي: تحليل گذشته‌نگري بر روي 10651 بيمار مسلول ثبت شده بين اول فروردين 1393 تا پايان اسفند 1394 در سيستم وزارت بهداشت، درمان و آموزش پزشكي ايران انجام گرفت. پارامترهاي قابل استناد جداسازي شدند و به‌صورت مستقيم، ادغام و يا توليد شاخص جديد در نظر گرفته شدند. يافته‌ها: 23 متغير مستقل وارد مطالعه شد كه با سنجش همبستگي و محاسبه رگرسيون، 12 متغير با 0/01P≤ در اسپيرمن و 0/05P≤ در پيرسون مرتبط شناخته شد. بهترين نتايج 0/93R= و 10/96MSE= در داده‌هاي آموزش، صفر و صفر در داده‌هاي اعتبارسنجي و 0/91R= و 13/23MSE= در داده‌هاي تست و همچنين نمودار رگرسيون چشمگيري از شبكه ايجاد شده با الگوريتم‌هاي سري زماني شبكه عصبي در متلب به‌دست آمد. نتيجه‌گيري: نتايج مطالعه حاضر بيانگر اين است كه هوش مصنوعي براي استخراج دانش از داده‌هاي خام جمع‌آوري شده مربوط به بيماري سل عملكرد مناسبي دارد و مي‌توان از آن براي پيش‌بيني موارد جديد اين بيماري استفاده كرد.

Background: Tuberculosis (TB) is an important infectious disease with high mortality in the world. None of the countries stay safe from TB. Nowadays, different factors such as Co-morbidities, increase TB incidence. World Health Organization (WHO) last report about Iran's TB status shows rising trend of multidrug-resistant tuberculosis (MDR-TB) and HIV/TB. More than 95% illness and death of TB cases are in developing countries. The most infections are in South East Asia and West Pacific that 56% of them are new cases in the world. The incidence is actually new cases of each year. Incidence prediction is affecting TB prevention, management and control. The purpose of this study is designing and creating a system to predict TB incidence by time series artificial neural networks (ANN) in Iran. Methods: This study is a retrospective analytic. 10651 TB cases that registered on Iran’s Stop TB System from March 2014 to March 2016, Were analyzed. Most of reliable data used directly, some of them merged together and create new indicators and two columns used to compute a new indicator. At first, effective variables were evaluating with correlation coefficient tests then extracting by linear regression on SPSS statistical software, version 20 (IBM, Armonk, NY, USA). We used different algorithms and number of neurons in hidden layer and delay in time series neural network. R, MSE (mean squared error) and regression graph were used for compare and select the best network. Incidence prediction neural network were designed on MATLAB® software, version R2014a (Mathworks Inc., Natick, MA, USA). Results: At first, 23 independent variables entered to study. After correlation coefficient and regression, 12 variables with P≤0.01 in Spearman and P≤0.05 in Pearson were selected. We had the best value of R, MSE (mean squared error) and also regression graph in train, validation and tested by Bayesian regularization algorithm with 10 neuron in hidden layer and two delay. Conclusion: This study showed that artificial neural network had acceptable function to extract knowledge from TB raw data; ANN is beneficial to TB incidence prediction.