توسعه مدلی برای پیش بینی سندرم دیسترس تنفسی نوزادان و عوامل موثر بر آن با استفاده از داده کاوی: یک مطالعه مقطعی

 یکی از چالش های عمده ای که بیمارستان ها و پزشکان با آن مواجه هستند، شناسایی زودهنگام نوزادانی است که در معرض خطر عوارض جانبی قرار دارند. سندرم دیسترس تنفسی نوزادان (RDS) یکی از آنها می باشد. RDS گسترده ترین اختلال تنفسی در نوزادان نارس و منبع اصلی مرگ در میان آنها است. یادگیری ماشینی به طور گسترده ای پذیرفته شده و در حوزه های مختلف برای تجزیه و تحلیل اطلاعات پزشکی مورد استفاده قرار گرفته است و در تشخیص زودهنگام RDS بسیار مفید بوده است.

 هدف از این مطالعه ایجاد مدلی برای پیش بینی سندرم دیسترس تنفسی نوزادان و عوامل موثر بر آن با استفاده از داده کاوی بود.

 مجموعه داده اصلی در این مطالعه مقطعی، شامل سوابق پزشکی نوزادان مبتلا به RDS بود که از دی ماه 1395 تا دی ماه 1396 در بیمارستان الزهرا شهر تبریز استخراج شد. این داده ها شامل اطلاعات 1469 نوزاد و مادران آنها می باشد. داده ها از قبل پردازش شده و برای گسترش مدل طبقه بندی با استفاده از تکنیک های یادگیری ماشینی مانند ماشین بردار پشتیبان، دسته بندی بیز ساده، درخت طبقه بندی، جنگل تصادفی، استخراج قوانین CN2 و شبکه عصبی برای پیش بینی RDS اعمال شدند. این مطالعه مدل ها را با توجه به دقت آنها مقایسه می کند.

 از بین نتایج به دست آمده، دقت 815/0، حساسیت 802/0، ویژگی 812/0 و 843/0 = AUC بهترین خروجی با استفاده از جنگل تصادفی بود.

 یافته های مطالعه ما ثابت کرد که رویکردهای جدید مانند داده کاوی ممکن است از تصمیم گیری پزشکی حمایت کند و باعث بهبود تشخیص در RDS نوزادان شود. امکان پذیری استفاده از جنگل تصادفی در پیش بینی RDS نوزادان، با کاهش امکان عوارض پس از زایمان، مراقبت از نوزاد را فراهم می کند.