دقت پیش بینی مرگ و میر نوزادان با استفاده از شبکه عصبی تجمیعی

نرخ بالای مرگ ومیر نوزادان به عنوان یک مسئله مهم در بهداشت و سلامت جامعه در سراسر جهان هست. برآورد دقیق مرگ ومیر نوزادان پیش نیاز توسعه استراتژی های بهداشتی آینده هست که منجر به پیشرفت در وضعیت سلامتی نوزادان است؛ بنابراین، برای کاهش مرگ ومیر نوزادان و کاهش هزینه های مراقبت های بهداشتی ایجاد یک مدل پیش بینی برای پیشرفت جامعه ضروری است. هدف از این پژوهش ایجاد یک مدل پیش بینی، مبتنی بر تکنیک داده کاوی جهت بررسی دقت پیش بینی پیامد مرگ ومیر نوزادان در بدو تولد با استفاده از مدل شبکه عصبی تجمیعی در نرم افزار رپیدماینر می باشد.

این مطالعه بر روی 8053 تولد (شامل 1605 مورد مرگ و 6448 شاهد) در سراسر کشور در سال 1394 انجام شد. متغیرهای مطالعه شامل بیماری های مادر، سن مادر، سن حاملگی، جنسیت نوزاد، وزن تولد، مرتبه ی تولد و ناهنجاری های بدو تولد به عنوان متغیرهای پیش بینی کننده روش شبکه عصبی تجمیعی مورد استفاده قرار گرفتند. معیارهایی مانند سطح زیر منحنی راک، دقت، صحت و میزان نرخ خطای دسته بندی شبکه عصبی تجمیعی محاسبه شدند و با مدل های دیگر داده کاوی مانند شبکه عصبی، درخت تصمیم و نزدیکترین همسایه مورد مقایسه قرار گرفتند.

نتایج حاصل از مقایسه الگوریتم های پیش بینی نشان داد که شبکه عصبی تجمیعی با میزان دقت 99/21درصد، صحت 99/17درصد، نرخ خطای دسته بندی 0/83 درصد و سطح زیر منحنی راک 0/992 نتایج بهتری در پیش بینی نسبت به سایر مدل های پیش بینی داشت.

با توجه به نتایج بدست آمده از این پژوهش، شبکه عصبی تجمیعی می تواند به کاهش هزینه های سیستم مراقبت بهداشتی کمک کند و سلامت جامعه را از طریق پیشگیری از مرگ ومیر و پیامدهای ناگوار نوزادان بهبود ببخشد.