عیین اعتبار مقایسه ای روش های مبتنی بر هوش مصنوعی و روابط ریاضی در تشخیص کم خونی ناشی از فقرآهن و تالاسمی در مراکز غربالگری شمال ایران در سال 1393

روش های سنتی تشخیص افتراقی فقرآهن و بتا تالاسمی مینور با استفاده از CBC دارای دقت کافی نیستند و آزمایشات تکمیلی نظیر الکتروفورز هموگلوبین زمان بر و پرهزینه هستند. هدف این مطالعه معرفی روش های دقیق تر و کم هزینه تر مبتنی بر هوش مصنوعی بود.
در این پژوهش، تعداد 510 نمونه CBC از چندین مرکز غربالگری تالاسمی واقع در شمال ایران جمع آوری شدند که تعداد نمونه های مربوط به فقرآهن، تالاسمی مینور و نرمال به ترتیب برابر با 167، 132 و 211 بود. نمونه های به دست آمده توسط روش های مبتنی بر هوش مصنوعی شامل سیستم استنتاج فازی عصبی (ANFIS) و پرسپترون چندلایه (MLP)، با روش تعیین اعتبار Cross Validation مورد ارزیابی قرار گرفتندکه در هر مرحله نتایج با روش های سنتی مبتنی بر روابط ریاضی مقایسه شدند.
شاخص های حساسیت (SENS)، ویژگی (SPEC)، ارزش اخباری مثبت (PPV)، ارزش اخباری منفی (NPV) ، دقت (ACC) و شاخص یدون (YI) برای کلیه روش ها در هر مرحله از Cross Validation به دست آمدند. آزمون آمازی t روی شاخص های مذکور نشان داد که بین روش های ANFIS و MLP تفاوت معنی داری وجود ندارد (05/0>p). همچنین تفاوت معنی داری بین روش های ریاضی وجود نداشت(05/0>p). اما مقایسه روش های مبتنی بر هوش مصنوعی با روش های ریاضی نشان داد که بین آنها اختلاف معنی داری وجود دارد(05/0>p).
استفاده از روش های مبتنی بر هوش مصنوعی، به عنوان ابزاری در دست متخصصان، می تواند در تشخیص های افتراقی بیماری هایی که دارای شباهت زیادی هستند، افزایش دقت قابل توجهی را ممکن سازد.