پيش بيني احتمال مرگ ومير نوزادان نارس بستري در بخش مراقبت هاي ويژه نوزادان بيمارستان قائم با استفاده مدل شبكه عصبي مصنوعي

Predicting Mortality Rate of Preterm Infants in Neonatal Intensive Care Unit Using Artificial Neural Network Model

سابقه و هدف: علي رغم پيشرفت سريع در درمان هاي طبي و تكنولوژي مراقبت هاي حاد طي 30 ساله اخير در كنار افزايش هزينه هاي مراقبت هاي طبي، آناليز پيامدها از جمله پيش بيني خطر مرگ و مير از چالش هاي بخش هاي مراقبت ويژه بوده است. لذا هدف از مطالعه حاضر پيش بيني مرگ و مير نوزادان نارس بستري در NICU با استفاده از مدل شبكه عصبي مصنوعي است. مواد و روش ها: اين مطالعه روي پرونده نوزادان نارس با سن حاملگي كم تر از 37 هفته در بيمارستان قائم شهر طي سال هاي 1389-1386 با استفاده از نرم ابزار MATLAB انجام شد. 100 پرونده نوزاد نارس با استفاده از 21 متغير، كه 80 درصد براي آموزش شبكه عصبي مصنوعي و و 20 درصد براي آزمون مدل طراحي شده مورد استفاده قرار گرفت. براي جلوگيري از پراكندگي اطلاعات از سيستم كد بندي اطلاعات استفاده شد و از اين كدها براي طراحي و آزمون مدل شبكه عصبي مصنوعي استفاده شد. يافته ها: به ازاي 60 نورون و 20 تكرار، صحت به حد مطلوب خود (صحت 95/2در صد در مرحله آموزش و صحت 94/56 درصد در مرحله آزمايش) رسيد. در صورتي كه تعداد تكرار از اين حد بيش تر مي شد الگوريتم به سمت پديده آموزش بيش از حد (overtraining) پيش مي رفت. استنتاج: در اينجا روشي براي ايجاد مدل هاي ANN براي برآورد احتمال مرگ ومير در نوزادان نارس با استفاده از 21 متغير معرفي شد. اين مدل مي تواند بالقوه براي پيش بيني بسياري ديگر از پيامدهاي NICU مانند پيش بيني طول دوره تهويه مكانيكي و عوارضي چون ناهنجاري هاي موجود در تصويربرداري عصبي، انتروكوليت نكروزان و ديسپلازي برونكوپولمونر مورد استفاده قرار گيرد.

Background and purpose: Despite rapid progress in medical treatments and acute care technology during the past 30 years alongside increasing costs of medical care, the analysis of outcomes such as mortality risk have been a challenge in intensive care units. The purpose of this study was to predict the mortality rate of premature infants in neonatal intensive care unit (NICU) using artificial neural network model. Materials and methods: This study was performed using the medical records of 100 preterm infants (less than 37 weeks gestation) in Mashhad Qaem Hospital, Iran, during 2007-2010 applying MATLAB. Twenty one variables were used of which 80% were for artificial neural network training and 20 percent were for testing the designed model. To prevent the dispersion of information we used information classification code system and the codes were used to design and test the artificial neural network model. Results: Per 60 neurons and 20 replication optimum validity was obtained (95.2% in training and 94.56% in experimental stage). The replications were not continued more, since in this case the algorithm would have gone towards overtraining. Conclusion: This study introduced a method for establishing ANN models in estimating the probability of mortality in premature infants using 21 variables. This model may be used for prediction of many other consequences in NICU such as mechanical ventilation duration and complications such as abnormalities in neuroimaging, necrotizing enterocolitis and bronchopulmonary dysplasia.