به‌كارگيري شبكه‌هاي فازي شواهدي به‌عنوان مدل پيش‌آگهي كم‌وزني نوزاد هنگام تولد

Application of Fuzzy Evidential Network as Low Birth Weight Prognosis Model

نوزادان كم‌وزن در هنگام تولد، نوزاداني با وزن كمتر از 2500 گرم در هنگام تولد هستند. اين نوزادان بيشتر از ساير نوزادن، در معرض خطرات مرگ‌و‌مير، ناهنجاري‌هاي مادرزادي، عقب‌ماندگي‌ ذهني و ساير اختلالات فيزيكي و عصبي هستند. حدود 5/15% از مواليد در سطح دنيا، نوزادان با وزن كم در هنگام تولد هستند و كاهش اين ميزان از مواليد به يك‌سوم مقدار فعلي، به‌عنوان يكي از اهداف برنامه يونيسف مطرح شده‌ است. با توجه به موارد ذكر‌شده، پيش‌آگهي تولد اين نوزادان، نقش مهمي در پيش‌گيري از وقوع آن دارد. به‌علاوه ، زمينه را براي تصميم‌گيري‌هاي باليني به‌موقع و موثر براي حفظ سلامت آنان فراهم مي‌آورد. در اين پژوهش، از شبكه‌هاي فازي شواهدي، به‌عنوان مدل پيش‌آگهي تولد نوزادان با وزن كم هنگام تولد، استفاده شد اين شبكه‌ها با استفاده از منطق فازي و تيوري شواهد، قابليت مديريت وجوه مختلف عدم قطعيت را دارند. نتايج به‌دست‌آمده از به‌كارگيري شبكه‌هاي فازي شواهدي و ساير مدل‌هاي پركاربرد در اين زمينه، مانند درخت تصميم‌گيري، ماشين بردار پشتيبان و مدل بيز ساده و...، روي پايگاه داده مربوط به سه بيمارستان شهر تهران، نشان داد كه شبكه فازي شواهدي با صحت 84.8% ، عملكرد بهتري از ساير مدل‌ها دارد. در رويكردي ديگر، تركيب نتايج شبكه فازي شواهدي با مدل بيز ساده، به افزايش صحت پيش‌آگهي به 85.2 % منجر شد. علاوه بر اين، توانايي اين شبكه‌ها در برخورد با داده‌هاي گمشده، به‌عنوان يكي از چالش‌هاي رايج در مجموعه داده‌هاي پزشكي، بررسي شد. شبكه فازي شواهدي، بهترين عملكرد را در مديريت عدم قطعيت ناشي از جا‌‌نهي داده‌هاي گمشده در مقايسه با ساير مدل‌ها، از خود نشان داد و عملكرد آن با افزايش متغيرهاي گمشده در هر نمونه، با افت كمتري از ساير روش‌ها روبرو شد.

Babies are born under 2,500 g., defined as low birth weight (LBW) babies. They are exposed to the higher risks of mortality, congenital malformations, mental retardation, and other physical and neurological impairments. 15.5 % of births around the world are LBW. Reduction of the rate of LBW births to one-third is one of the aims of United Nations Children’s Fund program. Prognosis of LBW births can play a critical role in the reduction of these cases. Also, it helps clinicians to make timely and efficient clinical decisions to save these babiesʹ life. In this study, a hybrid framework called fuzzy evidential network with a good ability to manage different aspects of uncertainty is a selected as the LBW prognosis model. The accuracy of prognosis and the performance of the fuzzy evidential network in the management of missing values of the clinical database were investigated and compared with well-known prognosis models of LBW. The results showed that the fuzzy evidential network has higher prognosis accuracy (84.8%) than other prognosis models. On the other hand, the fusion of naïve Bayes and the fuzzy evidential network outputs resulted in higher prognosis accuracy (85.2%). In addition, the fuzzy evidential network performance in the management of uncertainty induced by imputation method, was better than other prognosis models of this study. The performance loss of this framework as the results of the missing data increment, is less than other models.