پيش بيني روند تعداد مصدومين حوادث ترافيكي ارجاعي به پزشكي قانوني استان همدان با استفاده از شبكه عصبي مصنوعي چند لايه

Forecasting the Number of Injured in Traffic Accidents Referred to Forensic Medicine in Hamadan Province using Multi-layered Artificial Neural Network

سابقه و هدف: حوادث ترافيك جاده اي يك مشكل جديد بهداشت عمومي در سراسر جهان است به گونه اي كه ﺗﺼﺎدﻓﺎت راﻧﻨﺪﮔﯽ يكي از ﻣﻬﻢﺗﺮﯾﻦ دﻟﯿﻞ ﻣﺮگ، ﻧﺎﺗﻮاﻧﯽ و ﺑﺴﺘﺮي در ﺑﯿﻤﺎرﺳﺘﺎن را ﺗﺸﮑﯿﻞ ﻣﯽدﻫﻨﺪ . پيش بيني روند تعداد مصدومين حوادث ترافيكي ارجاعي به پزشكي قانوني استان همدان با استفاده از شبكه عصبي مصنوعي چند لايه هدف اين تحقيق بود. روش بررسي: تحقيق حاضر توصيفي و تحليلي از نوع مقايسه اي بود كه با استفاده از اطلاعات گذشته به پيش بيني آينده پرداخت. در اين تحقيق با استفاده از آمار مصدومان ترافيكي ارجاعي به پزشكي قانوني استان همدان بين فروردين 1368 تا اسفند 1398 با استفاده از شبكه عصبي مصنوعي به پيش بيني تعداد مصدومين براي 12 ماهه منتهي به سال 1399 پرداخته شد. ايتدا شبكه عصبي مناسب با داده هاي مصدومين طراحي گرديد و سپس با استفاده از بهترين شبكه طراحي شده، شبكه شروع به آموزش نمود و شبكه مورد اعتبار سنجي با شاخص درصد قدر مطلق ميانگين خطا قرار گرفت. ملاحضات اخلاق در پژوهش در تحقيق حاضر رعايت شد و تحقيق داراي كد اخلاق به شماره IR.MEDILAM.REC.1398.213 مي باشد. نتايج: شبكه عصبي مصنوعي با 12 ورودي ، يك خروجي و 5 لايه پنهان مناسب ترين شبكه براي پيش بيني مصدومين ارجاعي به پزشكي قانوني همدان بود، شبكه عصبي توانست كه با دقت 90 درصد و خطاي 10 درصد مقادير 12 ماهه مصدومان همدان در سال 1399 را به خوبي پيش بيني كند. نتيجه گيري: مقادير پيش بيني شده نشان داد تعداد مصدومان ترافيكي در استان همدان در حال كاهش است.با توجه به دقت بالا شبكه عصبي مصوعي در اين تحقيق مي توان اين روش را به عنوان مبنايي براي آينده پژوهي در تصادفات قرار داد. روند نزولي تعداد مصدومان ترافيكي استان همدان نشان از موثر بودن برنامه هاي كاهش تصادفات در اين استان است.

Background and Objectives: Road traffic accidents are a new public health problem around the world, and "roadblocks" are one of the main causes. Materials and Methods: In this study, using the statistics of traffic injured people referred to forensic medicine in Hamadan province between April 1989 and March 2017, using an artificial neural network, the number of injured for the 12 months leading to 1399 has been predicted. In this study, the appropriate neural network was designed with the data of the injured and then, using the best designed network, the network began to be trained and the network was validated with the absolute percentage of mean error. The authors observe all the ethical considerations of the research in this research and the present research has the code of ethics with the number IR.MEDILAM.REC.1398.213. Results: The artificial neural network with 12 inputs of one output and 5 hidden layers is suitable for predicting the injured referred to Hamedan forensic medicine. Predict well. Conclusion: The predicted values showed that the number of traffic injured in Hamadan province is decreasing. Due to the high accuracy of the artificial neural network in this research, this method can be used as a basis for future research in accidents. The downward trend in the number of traffic injured in Hamadan province shows the effectiveness of accident reduction programs in this province.