دقت پيش بيني مرگ و مير نوزادان با استفاده از شبكه عصبي تجميعي

زمينه و اهداف: نرخ بالاي مرگ‌ومير نوزادان به‌عنوان يك مسئله مهم در بهداشت و سلامت جامعه در سراسر جهان هست. برآورد دقيق مرگ‌ومير نوزادان پيش‌نياز توسعه استراتژي‌هاي بهداشتي آينده هست كه منجر به پيشرفت در وضعيت سلامتي نوزادان است؛ بنابراين، براي كاهش مرگ‌ومير نوزادان و كاهش هزينه‌هاي مراقبت‌هاي بهداشتي ايجاد يك مدل پيش‌بيني براي پيشرفت جامعه ضروري است. هدف از اين پژوهش ايجاد يك مدل پيش‌بيني، مبتني بر تكنيك داده‌كاوي جهت بررسي دقت پيش‌بيني پيامد مرگ‌ومير نوزادان در بدو تولد با استفاده از مدل شبكه عصبي تجميعي در نرم‌افزار رپيدماينر مي‌باشد. مواد و روش ها: اين مطالعه بر روي 8053 تولد (شامل 1605 مورد مرگ و 6448 شاهد) در سراسر كشور در سال 1394 انجام‌ شد. متغيرهاي مطالعه شامل بيماري‌هاي مادر، سن مادر، سن حاملگي، جنسيت نوزاد، وزن تولد، مرتبه ي تولد و ناهنجاري‌هاي بدو تولد به‌عنوان متغيرهاي پيش‌بيني كننده روش شبكه عصبي تجميعي مورد استفاده قرار گرفتند. معيارهايي مانند سطح زير منحني راك، دقت، صحت و ميزان نرخ خطاي دسته بندي شبكه عصبي تجميعي محاسبه شدند و با مدل‌هاي ديگر داده‌كاوي مانند شبكه عصبي، درخت تصميم و نزديكترين همسايه مورد مقايسه قرار گرفتند. يافته ها: نتايج حاصل از مقايسه الگوريتم‌هاي پيش‌بيني نشان داد كه شبكه عصبي تجميعي با ميزان دقت 21/99 درصد، صحت 17/99 درصد، نرخ خطاي دسته‌بندي 83/0 درصد و سطح زير منحني راك 992/0 نتايج بهتري در پيش‌بيني نسبت به ساير مدل هاي پيش بيني داشت. نتيجه گيري: با توجه به نتايج بدست‌ آمده از اين پژوهش، شبكه عصبي تجميعي مي‌تواند به كاهش هزينه هاي سيستم مراقبت بهداشتي كمك كند و سلامت جامعه را از طريق پيشگيري از مرگ ومير و پيامدهاي ناگوار نوزادان بهبود ببخشد.