دوره 20، شماره 1 - ( دوره 20، شماره 1، بهار 1403 )
جلد 20 شماره 1 صفحات 14-1 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Farrokhi R, Hosseinzadeh S, Habibelahi A, Biglarian A. Predicting the Occurrence of Preterm Birth and Determining its Risk Factors Individually Using an Interpretable Machine Learning Model. irje 2024; 20 (1) :1-14
URL: http://irje.tums.ac.ir/article-1-7318-fa.html
URL: http://irje.tums.ac.ir/article-1-7318-fa.html
فرخی رامین، حسین زاده سمانه، حبیب اللهی عباس، بیگلریان اکبر. پیش‌بینی وقوع زایمان زودرس و تعیین عوامل خطر آن به‌صورت شخصی با استفاده از مدل یادگیری ماشینی تفسیرپذیر. مجله اپیدمیولوژی ایران. 1403; 20 (1) :1-14
رامین فرخی1 
، سمانه حسین زاده2 ، عباس حبیب اللهی3 ، اکبر بیگلریان* 4
، سمانه حسین زاده2 ، عباس حبیب اللهی3 ، اکبر بیگلریان* 4
1- دانشجوی کارشناسی ارشد گروه آمار زیستی و اپیدمیولوژی، دانشکده سلامت اجتماعی، دانشگاه علوم توانبخشی و سلامت اجتماعی، تهران، ایران
2- استادیار گروه آمار زیستی و اپیدمیولوژی، دانشکده سلامت اجتماعی، دانشگاه علوم توانبخشی و سلامت اجتماعی، تهران، ایران
3- استادیار نوزادان، دفتر سلامت خانواده و جمعیت وزارت بهداشت درمان و آموزش پزشکی، تهران، ایران
4- استاد گروه آمار زیستی و اپیدمیولوژی، مرکز تحقیقات عوامل اجتماعی موثر بر سلامت، پژوهشکده سلامت اجتماعی، دانشگاه علوم توانبخشی و سلامت اجتماعی، تهران، ایران ،abiglaria@uswr.ac.ir
2- استادیار گروه آمار زیستی و اپیدمیولوژی، دانشکده سلامت اجتماعی، دانشگاه علوم توانبخشی و سلامت اجتماعی، تهران، ایران
3- استادیار نوزادان، دفتر سلامت خانواده و جمعیت وزارت بهداشت درمان و آموزش پزشکی، تهران، ایران
4- استاد گروه آمار زیستی و اپیدمیولوژی، مرکز تحقیقات عوامل اجتماعی موثر بر سلامت، پژوهشکده سلامت اجتماعی، دانشگاه علوم توانبخشی و سلامت اجتماعی، تهران، ایران ،
چکیده: (582 مشاهده)
مقدمه و اهداف: شناسایی زنان بارداری که در معرض زایمان زودرس هستند و همچنین تعیین عوامل خطر موثر برآن، امری ضروری است که در سلامت نوزادان تاثیرگذار است. این مطالعه با هدف به‌کارگیری نوعی از مدل یادگیری ماشینی تفسیرپذیر برای پیش‌بینی زایمان زودرس انجام شد.
روش‌کار: این مطالعه به‌صورت مقطعی انجام شد و از داده‌های 149350 مورد تولد شهر تهران در سال 1399 از مجموعه داده شبکه مادران و نوزادان ایران (IMaN) استفاده گردید. در این مطالعه، عوامل مختلف وابسته به مادر و جنین مانند متغیرهای جمعیت‌شناختی مادر نوزاد، وضعیت سلامت و سوابق بیماری مادر، شرایط بارداری، زایمان و خطرات آن استفاده شد. پس از پیش‌پردازش و آماده‌سازی داده‌ها، از مدل‌های یادگیری ماشینی شبکه عصبی چندلایه، جنگل تصادفی و XGBoost برای پیش‌بینی وقوع زایمان زودرس استفاده گردید. مدل‌ها بر اساس معیارهای دقت، حساسیت، ویژگی و سطح زیر منحنی راک ارزیابی شدند. برای تحلیل داده‌ها از زبان برنامه‌نویسی پایتون نسخه0-10-3 استفاده شد.
یافته‌ها: 8/67 درصد از رخداد زایمان‌ها، زودرس بودند. بالاترین دقت پیش‌بینی (0/90) مربوط به الگوریتم XGBoost بود. در تفسیر خروجی مدل برای یک خانم باردار با مقادیر مشخص برای متغیرها، مهمترین متغیر، با امتیاز اهمیت 46 درصد، متغیر چندقلویی و پس از آن عوامل خطر زایمان، با امتیاز اهمیت 41 درصد بود و متغیرهای دیگر نظیر بیماری اعصاب و روان، پره اکلامپسی و بیماری قلبی عروقی در رده‌های بعدی اهمیت برای این فرد خاص بودند.
نتیجه‌گیری: استفاده از روش یادگیری ماشینی تفسیرپذیر توانست وقوع زایمان زودرس را پیش‌بینی نماید. این روش می‌تواند توصیه‌های پیشگیرانه مختص هر زن باردار را، مبتنی بر عوامل خطر و با هدف جلوگیری از زایمان زودرس ارائه کند.
روش‌کار: این مطالعه به‌صورت مقطعی انجام شد و از داده‌های 149350 مورد تولد شهر تهران در سال 1399 از مجموعه داده شبکه مادران و نوزادان ایران (IMaN) استفاده گردید. در این مطالعه، عوامل مختلف وابسته به مادر و جنین مانند متغیرهای جمعیت‌شناختی مادر نوزاد، وضعیت سلامت و سوابق بیماری مادر، شرایط بارداری، زایمان و خطرات آن استفاده شد. پس از پیش‌پردازش و آماده‌سازی داده‌ها، از مدل‌های یادگیری ماشینی شبکه عصبی چندلایه، جنگل تصادفی و XGBoost برای پیش‌بینی وقوع زایمان زودرس استفاده گردید. مدل‌ها بر اساس معیارهای دقت، حساسیت، ویژگی و سطح زیر منحنی راک ارزیابی شدند. برای تحلیل داده‌ها از زبان برنامه‌نویسی پایتون نسخه0-10-3 استفاده شد.
یافته‌ها: 8/67 درصد از رخداد زایمان‌ها، زودرس بودند. بالاترین دقت پیش‌بینی (0/90) مربوط به الگوریتم XGBoost بود. در تفسیر خروجی مدل برای یک خانم باردار با مقادیر مشخص برای متغیرها، مهمترین متغیر، با امتیاز اهمیت 46 درصد، متغیر چندقلویی و پس از آن عوامل خطر زایمان، با امتیاز اهمیت 41 درصد بود و متغیرهای دیگر نظیر بیماری اعصاب و روان، پره اکلامپسی و بیماری قلبی عروقی در رده‌های بعدی اهمیت برای این فرد خاص بودند.
نتیجه‌گیری: استفاده از روش یادگیری ماشینی تفسیرپذیر توانست وقوع زایمان زودرس را پیش‌بینی نماید. این روش می‌تواند توصیه‌های پیشگیرانه مختص هر زن باردار را، مبتنی بر عوامل خطر و با هدف جلوگیری از زایمان زودرس ارائه کند.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
