تعيين اعتبار مقايسه اي روش هاي مبتني بر هوش مصنوعي و روابط رياضي در تشخيص كم خوني ناشي از فقر آهن و تالاسمي در مراكز غربالگري شمال ايران در سال 1393

Cross validation of artificial intelligence and mathematical relationships in the diagnosis of iron deficiency anemia and thalassemia in screening centers of northern Iran in 2014

سابقه و هدف: روش هاي سنتي تشخيص افتراقي فقرآهن و بتا تالاسمي مينور با استفاده از CBC داراي دقت كافي نيستند و آزمايشات تكميلي نظير الكتروفورز هموگلوبين زما ن بر و پرهزينه هستند. هدف اين مطالعه معرفي روش هاي دقيق تر و كم هزينه تر مبتني بر هوش مصنوعي بود. روش بررسي: در اين پژوهش، تعداد 510 نمونه CBC از چندين مركز غربالگري تالاسمي واقع در شمال ايران جمع آوري شدند كه تعداد نمونه هاي مربوط به فقرآهن، تالاسمي مينور و نرمال به ترتيب برابر با 167، 132 و 211 بود. نمونه هاي به دست آمده توسط روش هاي مبتني بر هوش مصنوعي شامل سيستم استنتاج فازي عصبي (ANFIS) و پرسپترون چندلايه (MLP)، با روش تعيين اعتبار Cross Validation مورد ارزيابي قرار گرفتندكه در هر مرحله نتايج با روش هاي سنتي مبتني بر روابط رياضي مقايسه شدند. يافته ها: شاخص هاي حساسيت (SENS)، ويژگي (SPEC)، ارزش اخباري مثبت (PPV)، ارزش اخباري منفي (NPV) ، دقت (ACC) و شاخص يدون (YI) براي كليه روش ها در هر مرحله از Cross Validation به دست آمدند. آزمون آمازي t روي شاخص هاي مذكور نشان داد كه بين روش هاي ANFIS و MLP تفاوت معني داري وجود ندارد (05/0>p). همچنين تفاوت معني داري بين روش هاي رياضي وجود نداشت(05/0>p). اما مقايسه روش هاي مبتني بر هوش مصنوعي با روش هاي رياضي نشان داد كه بين آنها اختلاف معني داري وجود دارد(05/0>p). نتيجه گيري: استفاده از روش هاي مبتني بر هوش مصنوعي، به عنوان ابزاري در دست متخصصان، مي تواند در تشخيص هاي افتراقي بيماري هايي كه داراي شباهت زيادي هستند، افزايش دقت قابل توجهي را ممكن سازد.

Background: Traditional methods for discrimination iron deficiency anemia (IDA) and β-thalassemia trait (BTT)، which using CBC indices، are not accurate enough and complementary tests such as Hb electrophoresis are time consuming and expensive. In this study، we introduced the methods with higher accuracy. Materials and methods: In this study، 510 CBC samples were collected from several screening centers in north of Iran. The number of samples associated with IDA، BTT، and normal subjects were 167، 132، and 211، respectively. The collected samples were used to establish the methods، adaptive neuro fuzzy inference system (ANFIS) and multi-layer perceptron (MLP)، through the use of 10-Fold cross validation. In each step of cross validation mathematical methods such as MI، E&FI، S&BI، S&LI، G&KI، EI and SI were investigated by the test samples. Results: Several indices، such as sensitivity (SENS)، specificity (SPEC)، positive predictive value (PPV)، negative predictive value (NPV)، accuracy (ACC)، and Youden’s index (YI)، have been obtained for the all mentioned methods in each step of Cross Validation. T test showed that the ANFIS and the MLP had not difference (p<0.05). The mathematical methods had not difference (p<0.05)، but there was difference between AI-based and Math-based methods (p<0.05). Conclusion: This study indicates that using artificial intelligence as medical diagnostic tools can help the physicians in discrimination between similar diseases and also it increases accuracy in difficult cases.