22121

پيش‌بيني احتمال مرگ و مير نوزادان نارس بستري دربخش مراقبت‌هاي ويژه نوزادان (NICU) با استفاده ازمدل شبكه عصبي مصنوعي مطالعه موردي: بخش مراقبت‌هاي ويژه نوزادان بيمارستانهاي مشهد

كارشناسي ارشد

بهينه سازي سيستم ها

1395

1397/4/18

دكتر رسول نوراسناء

صنايع

علي رغم پيشرفت سريع در درمان‌هاي طبي و تكنولوژي مراقبتهاي حاد طي 30 ساله اخير در كنار افزايش هزينههاي مراقبت طبي، آناليز پيامدها از جمله پيش‌بيني خطر مرگ و مير از چالش‌هاي بخش مراقبت‌هاي 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. اين مطالعه روي پرونده نوزادان نارس با سن حاملگي كم تر از 37 هفته در بيمارستان‌هاي شهر مشهد طي سال هاي 97-88 با استفاده از نرم افزار MATLAB انجام شد. 400 پرونده نوزاد نارس با استفاده از 13 متغير كه 80 درصد براي آموزش و 20 درصد براي آزمون مدل طراحي شده مورد استفاده قرار گرفت. با توجه به نوع داده‌هاي مسأله و بررسي منابع موجود در اين زمينه و نتايج حاصل از شبيه‌سازي، بهترين روش براي مدل سازي رابطه خروجي به ورودي‌هاي اين تحقيق، شبكه عصبي مصنوعي مي‌باشد كه در اين پايان نامه از روش‌هاي هوشمند شناسايي الگو مانند: شبكه‌ عصبي پرسپترون، شبكه عصبي احتمالي و شبكه‌هاي عصبي- فازي استفاده شد. با مقايسه نتايج به كارگيري روش‌هاي فوق، مشخص شد كه شبكه عصبي احتمالي، بهترين جواب را براي ما مهيا كرده است.

1399/04/03

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

6/23/2020 12:00:00 AM

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. This study was performed using the medical records of 400 preterm infants (less than 37 weeks gestation) in Mashhad Hospitals, Iran, during 2009-2018 applying MATLAB. 13 variables were used of which 80 percent were for artificial neural network training and 20 percent were for testing the designed model. According to the type of data and review of references and also result of simulation, the best method for modeling the relationship between out put into inputs of research is artificial neural networks. In this thesis, methods of pattern recognition like precepton neural network, probabilistic neural network and fuzzy neural network has been used. By analysis the result of mentioned methods, were proven probabilistic neural network has best solution.