جلد 39 -                   جلد 39 - صفحات 0-0 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Seyyedi N, Seyyedi N, Ranjbar F, Gharacheh M. Machine Learning-Based Prediction of Low Apgar Scores Following Childbirth. , IJN. 2026; 39
URL: http://ijn.iums.ac.ir/article-1-4005-fa.html
سیدی نگیسا، سیدی نویسا، رنجبر فهیمه، قراچه مریم. پیش‌بینی وضعیت فوری نوزاد پس از زایمان با استفاده از الگوریتم‌های یادگیری ماشین. ، نشریه پرستاری ایران. 1405; 39 ()

URL: http://ijn.iums.ac.ir/article-1-4005-fa.html


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
چکیده:   (215 مشاهده)
زمینه و هدف: امتیاز آپگار یکی از ابزارهای مهم برای ارزیابی وضعیت عمومی نوزاد در دقایق نخست پس از تولد است. شناسایی و مدیریت مؤثر نوزادان در معرض خطر نمره آپگار پایین، می‌تواند به کاهش عوارض پیرامون تولد و مرگ‌ومیر کمک کند. با توجه به اهمیت این موضوع، هدف از پژوهش حاضر پیش‌بینی طبقه نمره آپگار پایین پس از زایمان با استفاده از الگوریتم‌های یادگیری ماشین بر اساس ویژگی‌های بالینی و دموگرافیک می‌باشد.
روش بررسی: در این مطالعه، از پایگاه داده سامانه شبکه مادران و نوزادان ایران (IMAN) مربوط به بازه زمانی ۲۰۲۰ تا ۲۰۲۱، شامل بیش از یک میلیون رکورد استفاده گردید. مدل‌سازی برای پیش‌بینی طبقه نمره آپگار با استفاده از الگوریتم یادگیری ماشینایکس جی بوست انجام گرفت. روش کار بدین صورت بود که مدل‌های پیش‌بینی‌کننده در سه سناریوی مختلف دسته‌بندی (دوکلاسه، سه‌کلاسه و یازده‌کلاسه) برای تخمین نمره آپگار در دقایق اول و پنجم توسعه یافتند. جهت بررسی اعتبار نتایج، از روش تقسیم داده‌ها به بخش‌های آموزش و آزمون بهره گرفته شد و عملکرد روش‌های پیاده‌سازی شده با معیار دقت  مورد ارزیابی قرار گرفت.
یافته‌ها: تحلیل اهمیت ویژگی‌ها نشان داد که شاخص‌های آناتومیک جنین (که پیش از زایمان از طریق سونوگرافی قابل تخمین هستند) شامل وزن و دور سر، به همراه سن مادر، مهم‌ترین متغیرهای اثرگذار در تصمیمات مدل و پیش‌بینی طبقه نمره آپگار می‌باشند. با توجه به وجود سیستم‌های امتیازدهی مختلف برای امتیاز آپگار، در این پژوهش عملکرد پیش‌بینی پنج مدل مختلف مورد مقایسه قرار گرفت که ، دقت پیش‌بینی برای متغیر دوکلاسه امتیاز آپگار دقیقه پنجم 97 درصد و برای دقیقه اول 96 درصد به دست آمد. در مورد متغیرهای سه‌کلاسه، دقت‌ها به‌ترتیب 95 درصد برای دقیقه پنجم و 92 درصد برای دقیقه اول بودند. همچنین برای متغیرهای یازده‌کلاسه، دقت پیش‌بینی امتیاز آپگار دقیقه پنجم 69 درصد و دقیقه اول 55 درصد به دست آمد.
نتیجه‌گیری: یافته‌های این مطالعه نشان‌دهنده کارایی بالای الگوریتم ایکس جی بوست  در پیش‌بینی دقیق امتیاز پایین آپگار است و بیانگر آن است که این رویکرد می‌تواند در تسهیل مداخلات زودهنگام و بهبود پیامدهای سلامت نوزادان نقش مؤثری ایفا کند.
     
نوع مطالعه: پژوهشي | موضوع مقاله: مامایی
دریافت: 1405/2/26 | پذیرش: 1404/10/1 | انتشار: 1405/1/1

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به {نشریه پرستاری ایران} می باشد.

Designed & Developed by : Yektaweb