طراحي و پياده‌سازي يك سيستم هوشمند فازي جهت پيش‌بيني درصد موارد مرگ و مير بيماران تروما در بخش مراقبت‌هاي ويژه

Design and Implementation of a Fuzzy Intelligent System for Predicting Mortality in Trauma Patients in the Intensive Care Unit

مقدمه: بخش ICU بيمارستان يكي از بخش‌هاي پر هزينه در بخش سلامت ملي مي‌باشد. اين هزينه‌ها تا حد زيادي به مدت اقامت بيمار وابسته است. لذا پيش‌بيني طول مدت اقامت بيماران و درصد موارد مرگ‌و‌مير در بخش مراقبت‌هاي ويژه اهميت زيادي دارد. لذا در اين پژوهش به طراحي سيستم هوشمند مبتني بر منطق فازي جهت پيش‌بيني درصد موارد مرگ‌و‌مير بيماران تروما در بخش مراقبت‌هاي ويژه پرداخته شد. روش: داده‌هاي مورد نياز براي طراحي سيستم، از پرونده‌هاي بيماران از سال 91 - 1389 گردآوري شد، سپس سيستم با استفاده از داده‌هاي گردآوري شده از هر پرونده اجرا شد و ميزان همخواني تشخيص سيستم با تشخيص نهايي ثبت شده در پرونده بيمار مقايسه گرديد. مدل پيشنهادي نروفازي با 5 مدل هوشمند ديگر مقايسه گرديد. اين مقايسه بر اساس حساسيت، دقت، ويژگي و سطح زير منحني راك محاسبه و ارزيابي گرديد. نتايج: ميزان دقت اين 6 مدل حدوداً به ترتيب 83% و 81‌%،80%، 75%، 82% و 81% است. نتيجه­ گيري: مدل نروفازي بهترين مدل ارزيابي شد و داراي بالاترين ميزان دقت است. از نظر سطح زير منحني ROC مجدداً اين مدل بيشترين سطح زير منحني را دارد؛ لذا به‌كارگيري مدل نروفازي در زمينه تشخيص و پيش‌بيني درصد موارد مرگ و مير بيماران تروما در بخش مراقبت‌هاي ويژه پيشنهاد مي‌شود. اين امر در تحقيقات مرتبط با حوزه سلامت و به خصوص در تخصيص منابع درماني براي افرادي كه پرمخاطره پيش‌بيني مي‌شوند از اهميت بالايي برخوردار است.

Introduction: The intensive care unit is one of the most costly parts of the national health sector. These costs are largely attributable to the length of stay in the intensive care unit. For this reason, there are significant benefits in predicting patients' length of stay and the percentage of deaths in intensive care units. Therefore, in this study, a fuzzy logic based intelligent system was designed to predict the percentage of deaths in trauma patients in the intensive care unit. Method: Data needed to design the system were collected from patient files from 2010 to 2012. Then, the system was run using data collected from each file and the system diagnosis was compared with the final diagnosis recorded in the patient file. The proposed neuro-fuzzy model was compared with five other intelligent models. This comparison was calculated and evaluated based on sensitivity, accuracy, specificity, and the area under the ROC curve. Results: The accuracy of these six models was approximately 83%, 81%, 80%, 75%, 82% and 81%, respectively. Conclusion: The neuro-fuzzy model was evaluated as the best model and had the highest accuracy. This model also had the highest area under the ROC curve. Therefore, it is recommended to use neuro-fuzzy model to diagnose and predict the percentage of deaths in trauma patients in the intensive care unit. This is important in health-related research particularly in allocating therapeutic resources to people at risk.