پيش‌بيني لخته شدن خون بند ناف پيش از جمع‌آوري با كمك الگوريتم‌هاي يادگيري ماشين پيشرفته

سابقه و هدف خون بند ناف منبع ارزشمندي از سلول‌هاي بنيادي است كه در پيوند براي درمان بيماري‌هاي مختلف از جمله لوسمي، لنفوم و اختلالات ژنتيكي مورد استفاده قرار مي‌گيرد. با اين ‌حال، لخته‌ شدن خون بند ناف در فرآيند جمع‌آوري مي‌تواند كيفيت نمونه را كاهش دهد و بر اثر بخشي آن در ذخيره‌سازي خون بند ناف در بانك‎ها تأثير بگذارد. در اين مقاله با استفاده از روش‌هاي پيشرفته يادگيري ماشين، لخته‌شدن خون بند ناف قبل از جمع‌آوري نمونه‌ها از اهداكنندگان پيش‌بيني شده است. مواد و روش‌ها در يك مطالعه گذشته‌نگر، تعداد 928127 نمونه از بانك خون بند ناف رويان از سال 1384 تا 1400 بررسي شدند. داده‌ها با استفاده از نمونه‌هاي موجود در بانك خون بند ناف رويان و با استفاده از الگوريتم‌هاي طبقه‌بندي يادگيري نظارت شده، از جمله درخت تصميم، بيزين ساده، K- نزديك‌ترين همسايه، ماشين‌بردار پشتيبان، جنگل تصادفي، طبقه‌بندي رأي اكثريت و پرسپترون چند لايه براي پيش‌بيني لخته‌شدن خون بند ناف بر روي داده‌هاي بانك خون بند ناف رويان اجرا و عملكرد آن‌ها با استفاده از معيارهاي ارزيابي دقت، صحت، بازخواني و امتياز F1 مقايسه شد. يافته‌ها در اين مطالعه دقت الگوريتم درخت تصميم 0.80،  بيزين ساده 0.63، K- نزديك‌ترين همسايه 0.83، ماشين‌بردار پشتيبان 0.65، جنگل تصادفي 0.84، طبقه‌بندي رأي اكثريت 0.81 و پرسپترون چند لايه 0.74 اندازه‌گيري شده است. نتيجه گيري در اين مطالعه عملكرد دو الگوريتم جنگل تصادفي و K- نزديك‌ترين همسايه بهترين كارآيي را از خود نشان دادند و بيانگر آن است كه مي‌توان با كمك الگوريتم‌هاي يادگيري ماشين، با دقت بالايي بروز لخته پيش از زايمان را در نوزاد پيش‌بيني كرد و به كمك آن مي‌توان از نمونه‌برداري نمونه‌هاي داراي لخته به ‌منظور كاهش هزينه و مشكلات ذخيره‌سازي آن‌ها جلوگيري نمود.