پيش بيني تولد نوزاد نارس در مادران باردار شده از طريق فن‌آوري‌هاي كمك باروري با استفاده از شبكه عصبي

Predicting Premature Birth in Pregnant Women via Assisted Reproductive Technologies using Neural Network

مقدمه: امروزه فن آوري هاي كمك باروري به طور گسترده اي براي درمان ناباروري زوجين مورد استفاده قرار مي گيرد. ميزان تولد نارس در نوزادان مادراني كه از طريق فن آوري هاي كمك باروري باردار گرديده اند، بيش تر از بارداري هاي طبيعي مي باشد. هدف اين مطالعه پيش بيني تولد نوزادان نارس در مادران باردار شده از طريق فن آوري هاي كمك باروري مي باشد. روش كار: در اين مطالعه گذشته نگر، ابتدا 45 متغير تاثيرگذار بر تولد نارس در مادران باردار شده از طريق فن آوري هاي كمك باروري شناسايي شدند و از پرونده باليني اين مادران در بيمارستان صارم از سال 1377 تا شهريور 1393، در پاييز 1393 استخراج شد. متغيرهاي تاثيرگذار با استفاده از الگوريتم انتخاب ويژگي و درخت تصميم در نرم افزار SPSS Clementine شناسايي شد. شبكه عصبي پرسپترون چند لايه در نرم افزار Matlab طراحي گرديد. ارزيابي شبكه بر اساس ماتريس آشفتگي و معيارهاي ويژگي، حساسيت و صحت انجام گرديد. يافته ها: با استفاده از الگوريتم انتخاب ويژگي و درخت تصميم، 15 متغير تاثيرگذار به عنوان ورودي شبكه عصبي انتخاب گرديد. شبكه پرسپترون چند لايه طراحي و ارزيابي شد. شبكه عصبي طراحي شده در داده هاي تست داراي صحت2/87 درصد، حساسيت 0/80 درصد، ويژگي 2/88 درصد و در كل داده ها داراي صحت 4/95 درصد، حساسيت 0/95 درصد و ويژگي 5/95 درصد بود. نتيجه گيري: با توجه به نتايج به دست آمده از اين پژوهش، استفاده از شبكه پرسپترون چند لايه براي پيش‌بيني نتيجه زايمان از نظر تولد نوزاد ترم يا نوزاد نارس در مادران باردار شده از طريق فن آوري هاي كمك باروري مي تواند در پيشگيري از عوارض تولد نوزاد نارس كمك كننده باشد. كليدواژه ها: فن آوري كمك باروري، شبكه عصبي، نوزاد نارس

Introduction: Nowadays, assisted reproductive technologies are widely used to treat infertility in couples. Studies indicate that the rate of premature birth after using Assisted Reproductive Technologies has been increased as compared to normal pregnancies. The purpose of our study was predicting premature birth in pregnant women via Assisted Reproductive Technologies using artificial neural networks. Methods: In this retrospective study, initially 45 variables were identified as effective factors for prediction of premature birth in pregnant women via Assisted Reproductive Technologies and data of 130 women were extracted using clinical records in Sarem hospital in Tehran from 1998 to 2014 in October and November, 2014. The most important variables were identified as effective variables using feature selection algorithm and decision tree in SPSS Clementine. Multi-Layer Perceptron network was designed to predict the premature birth in Matlab software. Confusion matrix was used for evaluation in order to calculate accuracy, sensitivity and specificity. Results: We identified fifteen effective features using feature selection algorithm and decision tree as inputs of the neural networks. Multi-Layer Perceptron network was designed and evaluated. The accuracy, sensitivity and specificity of the test data were 87.2%, 80.0% and 88.2%, respectively and for the total data were 95.4%, 95.0% and 95.5%, respectively. Conclusion: According to the results, designed neural network for predicting premature birth in pregnant women via Assisted Reproductive Technologies can be helpful in prevention of premature birth complications. Keywords: Assisted Reproductive Technology, Neural Network, Premature Birth