نگیسا سیدی1 
، نویسا سیدی2 ، فهیمه رنجبر1 ، مریم قراچه3
، نویسا سیدی2 ، فهیمه رنجبر1 ، مریم قراچه3
1- مرکز تحقیقات مراقبت های پرستاری و مامایی، پژوهشکده مدیریت سلامت، دانشگاه علوم پزشکی ایران، تهران، ایران
2- گروه مدیریت اطلاعات سلامت و انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
3- مرکز تحقیقات مراقبت های پرستاری و مامایی، پژوهشکده مدیریت سلامت، دانشگاه علوم پزشکی ایران، تهران، ایران ،gharacheh.m@gmail.com
2- گروه مدیریت اطلاعات سلامت و انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
3- مرکز تحقیقات مراقبت های پرستاری و مامایی، پژوهشکده مدیریت سلامت، دانشگاه علوم پزشکی ایران، تهران، ایران ،
چکیده: (1 مشاهده)
زمینه و هدف:نمره آپگار یکی از شناخته‌شده‌ترین ابزارهای بالینی برای ارزیابی وضعیت فوری نوزاد پس از تولد است که پنج شاخص فیزیولوژیک شامل ضربان قلب، تلاش تنفسی، توان عضلانی، تحریک پذیری رفلکسی و رنگ پوست را در دقیقه اول و پنجم پس از تولد بررسی می‌کند. با وجود سادگی و کاربرد گسترده این شاخص در ارزیابی سلامت نوزادان، پیش‌بینی نمره پایین آپگار پیش از یا حین زایمان همچنان چالش‌برانگیز است، زیرا وضعیت نوزاد تحت تأثیر مجموعه‌ای پیچیده از عوامل مادری، جنینی و شرایط زایمان قرار دارد. عوامل متعددی مانند سن مادر، ویژگی‌های بارداری، نوع زایمان و ویژگی‌های فیزیولوژیک نوزاد می‌توانند بر وضعیت سلامت نوزاد در بدو تولد تأثیرگذار باشند.
شناسایی زودهنگام نوزادانی که در معرض خطر کسب نمره پایین آپگار قرار دارند از اهمیت بالایی برخوردار است، زیرا می‌تواند به مداخلات به‌موقع پزشکی و کاهش عوارض و مرگ‌ومیر نوزادی کمک کند. در گذشته، روش‌های آماری سنتی برای بررسی عوامل مؤثر بر نمره آپگار مورد استفاده قرار گرفته‌اند؛ با این حال، رشد سریع داده‌های سلامت و دسترسی به پایگاه‌های داده بزرگ این امکان را فراهم کرده است که از روش‌های پیشرفته یادگیری ماشین برای تحلیل این داده‌ها استفاده شود. الگوریتم‌های یادگیری ماشین قادرند روابط غیرخطی و تعاملات پیچیده میان متغیرها را شناسایی کنند؛ روابطی که ممکن است با روش‌های آماری کلاسیک به‌سادگی قابل تشخیص نباشند. در میان این روش‌ها، الگوریتم‌های مبتنی بر یادگیری جمعی مانند Extreme Gradient Boosting (XGBoost) عملکرد بسیار موفقی در مسائل پیش‌بینی پزشکی نشان داده‌اند.
هدف از این پژوهش توسعه و ارزیابی یک مدل پیش‌بینی مبتنی بر یادگیری ماشین برای پیش‌بینی نمره پایین آپگار در نوزادان است. در این مطالعه از الگوریتم XGBoost برای تحلیل داده‌های گسترده ثبت‌شده در شبکه الکترونیک مادران و نوزادان ایران (IMAN) استفاده شده است. این سامانه یک پایگاه داده ملی است که اطلاعات جامعی از ویژگی‌های مادر، بارداری و نوزادان را ثبت می‌کند. هدف اصلی پژوهش علاوه بر دستیابی به دقت پیش‌بینی بالا، شناسایی مهم‌ترین عوامل مؤثر بر نمره آپگار نیز بوده است. استفاده از داده‌های گسترده و روش‌های پیشرفته تحلیل داده می‌تواند به بهبود تصمیم‌گیری‌های بالینی و ارتقای کیفیت مراقبت‌های نوزادی کمک کند.
روش بررسی: در این مطالعه گذشته‌نگر، بیش از یک میلیون رکورد مربوط به تولد نوزادان که در سامانه الکترونیکی IMAN ثبت شده بودند مورد بررسی قرار گرفت. این پایگاه داده اطلاعات جامعی از بیمارستان‌های مختلف کشور را در زمینه ویژگی‌های مادر، شرایط بارداری و شاخص‌های نوزادی در اختیار قرار می‌دهد. پیش از انجام تحلیل‌ها، داده‌ها تحت فرآیند پیش‌پردازش قرار گرفتند که شامل پاک‌سازی داده‌های ناقص یا ناسازگار، استانداردسازی متغیرهای عددی و آماده‌سازی متغیرهای طبقه‌ای برای ورود به مدل بود.
در این پژوهش مجموعه‌ای از متغیرهای مرتبط با ویژگی‌های مادری، شرایط بارداری و مشخصات نوزاد به‌عنوان عوامل بالقوه پیش‌بینی‌کننده در نظر گرفته شدند. از جمله این متغیرها می‌توان به سن مادر، وزن نوزاد هنگام تولد، دور سر نوزاد، سن بارداری و نوع زایمان اشاره کرد. این متغیرها از جمله شاخص‌هایی هستند که به‌طور معمول در فرآیند مراقبت‌های بارداری و هنگام تولد ثبت می‌شوند.
برای توسعه مدل پیش‌بینی از الگوریتم XGBoost استفاده شد. این الگوریتم یکی از روش‌های قدرتمند یادگیری ماشین مبتنی بر درخت‌های تصمیم و یادگیری تقویتی است که با ترکیب مجموعه‌ای از مدل‌های ضعیف، یک مدل پیش‌بینی قوی ایجاد می‌کند. XGBoost به دلیل کارایی بالا، توانایی پردازش داده‌های حجیم و قابلیت مدیریت روابط پیچیده میان متغیرها در بسیاری از مطالعات پزشکی مورد استفاده قرار گرفته است.
در فرآیند مدل‌سازی، داده‌ها به دو بخش آموزش و تست تقسیم شدند تا عملکرد مدل به‌طور دقیق ارزیابی شود. همچنین برای بررسی توانایی مدل در سطوح مختلف طبقه‌بندی، سه نوع ساختار طبقه‌بندی برای نمره آپگار در نظر گرفته شد: طبقه‌بندی دوکلاسه که وضعیت طبیعی و غیرطبیعی را تفکیک می‌کند، طبقه‌بندی سه‌کلاسه که سطح نمره را به سه گروه تقسیم می‌کند، و طبقه‌بندی یازده‌کلاسه که تمام مقادیر ممکن نمره آپگار را در بر می‌گیرد. این مدل‌ها به‌طور جداگانه برای نمره آپگار دقیقه اول و دقیقه پنجم پس از تولد آموزش داده شدند. معیار اصلی ارزیابی عملکرد مدل، دقت و صحت پیش‌بینی بود و برای افزایش اطمینان از پایداری نتایج از روش‌های اعتبارسنجی نیز استفاده شد.
این مطالعه پس از اخذ تأییدیه از کمیته اخلاق پژوهش از دانشگاه علوم پزشکی ایران با کد اخلاق IR.IUMS.REC.1401.764 انجام شد. تمامی اطلاعات استخراج‌شده از پایگاه داده IMAN به‌صورت محرمانه و بدون شناسه فردی مورد استفاده قرار گرفت و کلیه مراحل پژوهش مطابق با اصول اخلاق در پژوهش‌های پزشکی انجام شد.
یافته‌ها: نتایج نشان داد که مدل مبتنی بر الگوریتم XGBoost عملکرد بسیار مطلوبی در پیش‌بینی نمره آپگار نوزادان دارد. در مدل طبقه‌بندی دوکلاسه، دقت پیش‌بینی برای نمره آپگار دقیقه اول حدود ۹۹٫۱۱ درصد و برای نمره دقیقه پنجم حدود ۹۹٫۳۲ درصد به دست آمد. این میزان دقت نشان‌دهنده توانایی بالای مدل در شناسایی نوزادانی است که ممکن است در معرض خطر وضعیت نامطلوب پس از تولد قرار داشته باشند.
در مدل طبقه‌بندی سه‌کلاسه نیز عملکرد مدل بسیار قابل توجه بود؛ به‌طوری‌که دقت پیش‌بینی برای دقیقه اول ۹۷٫۶۶ درصد و برای دقیقه پنجم ۹۸٫۹۵ درصد گزارش شد. با افزایش تعداد کلاس‌ها و پیچیده‌تر شدن مسئله طبقه‌بندی، انتظار می‌رود دقت مدل تا حدی کاهش یابد؛ با این حال، نتایج نشان داد که مدل همچنان عملکرد بسیار مناسبی دارد.
در مدل طبقه‌بندی یازده‌کلاسه که تمامی مقادیر ممکن نمره آپگار را در بر می‌گیرد، دقت پیش‌بینی برای دقیقه اول ۹۴٫۴۲ درصد و برای دقیقه پنجم ۹۴٫۹۰ درصد به دست آمد. با توجه به پیچیدگی بالای این نوع طبقه‌بندی، دستیابی به چنین دقتی نشان‌دهنده توانایی قابل توجه الگوریتم XGBoost در تحلیل داده‌های بزرگ و پیچیده پزشکی است.
تحلیل اهمیت ویژگی‌ها در مدل نشان داد که برخی متغیرها نقش مهم‌تری در پیش‌بینی نمره آپگار دارند. از مهم‌ترین عوامل شناسایی‌شده می‌توان به وزن نوزاد هنگام تولد، سن مادر و دور سر نوزاد اشاره کرد. این یافته‌ها با دانش پزشکی موجود نیز همخوانی دارند، زیرا این شاخص‌ها از مهم‌ترین عوامل مرتبط با رشد و سلامت نوزاد محسوب می‌شوند. علاوه بر این متغیرها، عواملی مانند سن بارداری، تعداد زایمان‌های قبلی و نوع زایمان نیز تأثیر قابل توجهی در پیش‌بینی وضعیت نوزاد داشتند.
نتیجه‌گیری: نتایج این پژوهش نشان داد که استفاده از روش‌های یادگیری ماشین، به‌ویژه الگوریتم XGBoost، می‌تواند ابزاری بسیار مؤثر برای پیش‌بینی نمره آپگار نوزادان باشد. بهره‌گیری از داده‌های گسترده ثبت‌شده در سامانه ملی IMAN امکان تحلیل دقیق‌تر عوامل مؤثر بر وضعیت نوزادان را فراهم کرده و منجر به دستیابی به دقت پیش‌بینی بسیار بالا شده است. شناسایی متغیرهای مهمی مانند وزن تولد، سن مادر و دور سر نوزاد نیز می‌تواند به درک بهتر عوامل مؤثر بر سلامت نوزاد کمک کند.
از دیدگاه کاربردی، نتایج این مطالعه نشان می‌دهد که می‌توان مدل‌های پیش‌بینی مبتنی بر یادگیری ماشین را در سامانه‌های اطلاعات سلامت و سیستم‌های بیمارستانی ادغام کرد تا امکان ارزیابی خطر به‌صورت بلادرنگ فراهم شود. چنین ابزارهایی می‌توانند به پزشکان و متخصصان زنان و زایمان کمک کنند تا پیش از تولد یا در مراحل اولیه زایمان، نوزادان در معرض خطر را شناسایی کرده و اقدامات درمانی یا حمایتی مناسب را برنامه‌ریزی کنند.
در مجموع، این پژوهش نشان می‌دهد که تحلیل داده‌های گسترده سلامت با استفاده از روش‌های پیشرفته یادگیری ماشین می‌تواند نقش مهمی در بهبود پیش‌بینی پیامدهای نوزادی و ارتقای کیفیت مراقبت‌های پریناتال ایفا کند. توسعه و اعتبارسنجی بیشتر این مدل‌ها در جمعیت‌ها و محیط‌های درمانی مختلف می‌تواند به افزایش قابلیت تعمیم و کاربردپذیری آن‌ها در نظام سلامت کمک کند.
شناسایی زودهنگام نوزادانی که در معرض خطر کسب نمره پایین آپگار قرار دارند از اهمیت بالایی برخوردار است، زیرا می‌تواند به مداخلات به‌موقع پزشکی و کاهش عوارض و مرگ‌ومیر نوزادی کمک کند. در گذشته، روش‌های آماری سنتی برای بررسی عوامل مؤثر بر نمره آپگار مورد استفاده قرار گرفته‌اند؛ با این حال، رشد سریع داده‌های سلامت و دسترسی به پایگاه‌های داده بزرگ این امکان را فراهم کرده است که از روش‌های پیشرفته یادگیری ماشین برای تحلیل این داده‌ها استفاده شود. الگوریتم‌های یادگیری ماشین قادرند روابط غیرخطی و تعاملات پیچیده میان متغیرها را شناسایی کنند؛ روابطی که ممکن است با روش‌های آماری کلاسیک به‌سادگی قابل تشخیص نباشند. در میان این روش‌ها، الگوریتم‌های مبتنی بر یادگیری جمعی مانند Extreme Gradient Boosting (XGBoost) عملکرد بسیار موفقی در مسائل پیش‌بینی پزشکی نشان داده‌اند.
هدف از این پژوهش توسعه و ارزیابی یک مدل پیش‌بینی مبتنی بر یادگیری ماشین برای پیش‌بینی نمره پایین آپگار در نوزادان است. در این مطالعه از الگوریتم XGBoost برای تحلیل داده‌های گسترده ثبت‌شده در شبکه الکترونیک مادران و نوزادان ایران (IMAN) استفاده شده است. این سامانه یک پایگاه داده ملی است که اطلاعات جامعی از ویژگی‌های مادر، بارداری و نوزادان را ثبت می‌کند. هدف اصلی پژوهش علاوه بر دستیابی به دقت پیش‌بینی بالا، شناسایی مهم‌ترین عوامل مؤثر بر نمره آپگار نیز بوده است. استفاده از داده‌های گسترده و روش‌های پیشرفته تحلیل داده می‌تواند به بهبود تصمیم‌گیری‌های بالینی و ارتقای کیفیت مراقبت‌های نوزادی کمک کند.
روش بررسی: در این مطالعه گذشته‌نگر، بیش از یک میلیون رکورد مربوط به تولد نوزادان که در سامانه الکترونیکی IMAN ثبت شده بودند مورد بررسی قرار گرفت. این پایگاه داده اطلاعات جامعی از بیمارستان‌های مختلف کشور را در زمینه ویژگی‌های مادر، شرایط بارداری و شاخص‌های نوزادی در اختیار قرار می‌دهد. پیش از انجام تحلیل‌ها، داده‌ها تحت فرآیند پیش‌پردازش قرار گرفتند که شامل پاک‌سازی داده‌های ناقص یا ناسازگار، استانداردسازی متغیرهای عددی و آماده‌سازی متغیرهای طبقه‌ای برای ورود به مدل بود.
در این پژوهش مجموعه‌ای از متغیرهای مرتبط با ویژگی‌های مادری، شرایط بارداری و مشخصات نوزاد به‌عنوان عوامل بالقوه پیش‌بینی‌کننده در نظر گرفته شدند. از جمله این متغیرها می‌توان به سن مادر، وزن نوزاد هنگام تولد، دور سر نوزاد، سن بارداری و نوع زایمان اشاره کرد. این متغیرها از جمله شاخص‌هایی هستند که به‌طور معمول در فرآیند مراقبت‌های بارداری و هنگام تولد ثبت می‌شوند.
برای توسعه مدل پیش‌بینی از الگوریتم XGBoost استفاده شد. این الگوریتم یکی از روش‌های قدرتمند یادگیری ماشین مبتنی بر درخت‌های تصمیم و یادگیری تقویتی است که با ترکیب مجموعه‌ای از مدل‌های ضعیف، یک مدل پیش‌بینی قوی ایجاد می‌کند. XGBoost به دلیل کارایی بالا، توانایی پردازش داده‌های حجیم و قابلیت مدیریت روابط پیچیده میان متغیرها در بسیاری از مطالعات پزشکی مورد استفاده قرار گرفته است.
در فرآیند مدل‌سازی، داده‌ها به دو بخش آموزش و تست تقسیم شدند تا عملکرد مدل به‌طور دقیق ارزیابی شود. همچنین برای بررسی توانایی مدل در سطوح مختلف طبقه‌بندی، سه نوع ساختار طبقه‌بندی برای نمره آپگار در نظر گرفته شد: طبقه‌بندی دوکلاسه که وضعیت طبیعی و غیرطبیعی را تفکیک می‌کند، طبقه‌بندی سه‌کلاسه که سطح نمره را به سه گروه تقسیم می‌کند، و طبقه‌بندی یازده‌کلاسه که تمام مقادیر ممکن نمره آپگار را در بر می‌گیرد. این مدل‌ها به‌طور جداگانه برای نمره آپگار دقیقه اول و دقیقه پنجم پس از تولد آموزش داده شدند. معیار اصلی ارزیابی عملکرد مدل، دقت و صحت پیش‌بینی بود و برای افزایش اطمینان از پایداری نتایج از روش‌های اعتبارسنجی نیز استفاده شد.
این مطالعه پس از اخذ تأییدیه از کمیته اخلاق پژوهش از دانشگاه علوم پزشکی ایران با کد اخلاق IR.IUMS.REC.1401.764 انجام شد. تمامی اطلاعات استخراج‌شده از پایگاه داده IMAN به‌صورت محرمانه و بدون شناسه فردی مورد استفاده قرار گرفت و کلیه مراحل پژوهش مطابق با اصول اخلاق در پژوهش‌های پزشکی انجام شد.
یافته‌ها: نتایج نشان داد که مدل مبتنی بر الگوریتم XGBoost عملکرد بسیار مطلوبی در پیش‌بینی نمره آپگار نوزادان دارد. در مدل طبقه‌بندی دوکلاسه، دقت پیش‌بینی برای نمره آپگار دقیقه اول حدود ۹۹٫۱۱ درصد و برای نمره دقیقه پنجم حدود ۹۹٫۳۲ درصد به دست آمد. این میزان دقت نشان‌دهنده توانایی بالای مدل در شناسایی نوزادانی است که ممکن است در معرض خطر وضعیت نامطلوب پس از تولد قرار داشته باشند.
در مدل طبقه‌بندی سه‌کلاسه نیز عملکرد مدل بسیار قابل توجه بود؛ به‌طوری‌که دقت پیش‌بینی برای دقیقه اول ۹۷٫۶۶ درصد و برای دقیقه پنجم ۹۸٫۹۵ درصد گزارش شد. با افزایش تعداد کلاس‌ها و پیچیده‌تر شدن مسئله طبقه‌بندی، انتظار می‌رود دقت مدل تا حدی کاهش یابد؛ با این حال، نتایج نشان داد که مدل همچنان عملکرد بسیار مناسبی دارد.
در مدل طبقه‌بندی یازده‌کلاسه که تمامی مقادیر ممکن نمره آپگار را در بر می‌گیرد، دقت پیش‌بینی برای دقیقه اول ۹۴٫۴۲ درصد و برای دقیقه پنجم ۹۴٫۹۰ درصد به دست آمد. با توجه به پیچیدگی بالای این نوع طبقه‌بندی، دستیابی به چنین دقتی نشان‌دهنده توانایی قابل توجه الگوریتم XGBoost در تحلیل داده‌های بزرگ و پیچیده پزشکی است.
تحلیل اهمیت ویژگی‌ها در مدل نشان داد که برخی متغیرها نقش مهم‌تری در پیش‌بینی نمره آپگار دارند. از مهم‌ترین عوامل شناسایی‌شده می‌توان به وزن نوزاد هنگام تولد، سن مادر و دور سر نوزاد اشاره کرد. این یافته‌ها با دانش پزشکی موجود نیز همخوانی دارند، زیرا این شاخص‌ها از مهم‌ترین عوامل مرتبط با رشد و سلامت نوزاد محسوب می‌شوند. علاوه بر این متغیرها، عواملی مانند سن بارداری، تعداد زایمان‌های قبلی و نوع زایمان نیز تأثیر قابل توجهی در پیش‌بینی وضعیت نوزاد داشتند.
نتیجه‌گیری: نتایج این پژوهش نشان داد که استفاده از روش‌های یادگیری ماشین، به‌ویژه الگوریتم XGBoost، می‌تواند ابزاری بسیار مؤثر برای پیش‌بینی نمره آپگار نوزادان باشد. بهره‌گیری از داده‌های گسترده ثبت‌شده در سامانه ملی IMAN امکان تحلیل دقیق‌تر عوامل مؤثر بر وضعیت نوزادان را فراهم کرده و منجر به دستیابی به دقت پیش‌بینی بسیار بالا شده است. شناسایی متغیرهای مهمی مانند وزن تولد، سن مادر و دور سر نوزاد نیز می‌تواند به درک بهتر عوامل مؤثر بر سلامت نوزاد کمک کند.
از دیدگاه کاربردی، نتایج این مطالعه نشان می‌دهد که می‌توان مدل‌های پیش‌بینی مبتنی بر یادگیری ماشین را در سامانه‌های اطلاعات سلامت و سیستم‌های بیمارستانی ادغام کرد تا امکان ارزیابی خطر به‌صورت بلادرنگ فراهم شود. چنین ابزارهایی می‌توانند به پزشکان و متخصصان زنان و زایمان کمک کنند تا پیش از تولد یا در مراحل اولیه زایمان، نوزادان در معرض خطر را شناسایی کرده و اقدامات درمانی یا حمایتی مناسب را برنامه‌ریزی کنند.
در مجموع، این پژوهش نشان می‌دهد که تحلیل داده‌های گسترده سلامت با استفاده از روش‌های پیشرفته یادگیری ماشین می‌تواند نقش مهمی در بهبود پیش‌بینی پیامدهای نوزادی و ارتقای کیفیت مراقبت‌های پریناتال ایفا کند. توسعه و اعتبارسنجی بیشتر این مدل‌ها در جمعیت‌ها و محیط‌های درمانی مختلف می‌تواند به افزایش قابلیت تعمیم و کاربردپذیری آن‌ها در نظام سلامت کمک کند.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
