بخشی از مقاله
خلاصه
با رشد و گسترش علم اخیرا پیشرفت های چشم گیری در زمینه پزشکی به وجود آمده است. هدف مطالعه حاضر ارایه یک سیستم خبره فازی و عصبی است. این سیستم میزان سلامتی نوزاد را در بدو تولد با توجه به معیارهایی همچون وزن در بدو تولد و سن بارداری و تست آپگار دقیقه اول و پنجم تشخیص می دهد. تشخیص زودهنگام سلامتی نوزاد در بدو تولد، منجر به ارائه به موقع مراقبت های پزشکی و در نتیجه نجات جان نوزادان می شود. شبکه های عصبی به عنوان یکی از متدهای محاسبات نرم قابلیت آموزش را دارد.
سیستم خبره فازی به دلیل مدیریت منابع عدم قطعیت و کار با داده های قطعی و غیر قطعی از جمله متدهای محاسبات نرم به حساب می آید. در سیستم استنتاج فازی مدل ممدانی استفاده شده است. شبکه عصبی پرسپترون 2 لایه با 10 نرون در لایه ی پنهان استفاده شده است. ارزیابی هر دو سیستم در نرم افزار متلب و با تابع MSE و با شرایط یکسان انجام شده است. صحت عملکرد سیستم خبره عصبی در حدود % 90 و سیستم خبره فازی %91 می باشد. سیستم خبره فازی جهت تشخیص سلامتی نوزادان در بدو تولد بهتر از سیستم خبره عصبی عمل نموده و می تواند پزشکان متخصص را در تشخیص سلامتی نوزادان در بدو تولد یاری نماید.
.1 مقدمه
با رشد و گسترش علم اخیرا پیشرفت های چشم گیری در زمینه پزشکی به وجود آمده است. در حدود 8-10 درصد نوزادانی که متولد می شوند نارس می باشند، این موضوع بسیار در سلامتی نوزاد در بدو تولد تاثیرگذار است. تشخیص زودهنگام سلامتی نوزاد در بدو تولد، منجر به ارائه به موقع مراقبت های پزشکی و در نتیجه نجات جان نوزادان می شود. عبور از مرحله ی جنینی به نوزادی با تغییرات فیزیولوژیک جدی، برجسته و سریع همراه است. نوزاد پس از تولد سریعا از لحاظ معیارهای مختلف مورد ارزیابی قرار می گیرد، از جمله این معیارها تست آپگار است.
تست آپگار از طریق سنجش 5 مورد مربوط به پالس، تنفس، فعالیت، فلکسیون و تحرک پذیری و رنگ بدن صورت می گیرد، که به هر کدام از این موارد عدد0 یا 1 یا 2 با توجه به میزان سلامتی جسمانی نوزاد در آن معیار تعلق می گیرد، به مجموع این 5 مورد در بهترین حالت نوزاد از لحاظ سلامتی عدد 10 تعلق می گیرد.کسب نمره آپگار بالاتر از 7 نشان دهنده ی سلامتی نوزاد در خصوص این 5 معیار که از جمله ارزیابی های اولیه نوزاد می باشد است. این تست در دقایق 1و5 پس از زایمان انجام شده و در دفتر زایمان ثبت می شود. مبدع تست آپگار خانم دکتر ویرجینیا در سال 1952 می باشد.[1]
نوزاد پس از تولد به وسیله ی تست آپگار بررسی می شود و از این طریق نوزادی که نیاز به کمک داشته باشد تشخیص داده می شود.[2] یکی از شاخص های پر اهمیت در هر کشور میزان مرگ و میر نوزادان است.[3] طبق آمار جهانی 60-80 درصد مرگ و میر نوزادان ناشی از نارس بودن آنها می باشد.[4] وزن نوزاد در بدو تولد از جمله عوامل تاثیرگذار در مرگ و میر نوزادان می باشد. اگر وزن نوزاد در بدو تولد کمتر از 2500 گرم باشد کم وزن به حساب می آید که تاثیر بسیاری در سلامتی و میزان مرگ و میر نوزادان دارد.[5] سن بارداری نوزاد در بدو تولد از جمله عوامل پر اهمیت در سلامتی و مرگ و میر شان است. نوزاد با سن بارداری کمتر از 37 هفته نارس به حساب می آید.[6]
تشخیص سلامتی نوزادان در بدو تولد شانس سلامتی آنها را در آینده بیشتر میکند. این موضوع با کمک تشخیص کامپیوتری سیستم هوشمند خبره فازی و سیستم خبره عصبی امکان پذیر است. در طراحی هر دو سیستم خبره فازی و سیستم خبره عصبی جهت تشخیص سلامتی نوزادان در بدو تولد از ورودی ها و خروجی های یکسان استفاده شده است. با توجه به ورودی ها، تشخیص داده می شود نوزاد سلامت یا بیمار یا مرده است. در شکل 1 ورودی های سیستم خبره فازی و سیستم خبره عصبی را مشاهده می کنیم.
یکی از مزایای طراحی سیستم خبره فازی و عصبی تشخیص سلامتی نوزادان در بدو تولد می باشد. سیستم خبره فازی مزیت مدیریت در شرایط عدم قطعیت از جمله عدم قطعیت و دقت در اندازه گیری تست آپگار توسط پزشکان و پرستاران، وجود خطا و عدم دقت در اندازه گیری مشخصات مربوط به نوزادان توسط پرستاران اتاق زایمان، وجود تفاوت دیدگاهی تشخیص نمره دهی تست آپگار توسط پزشکان و پرستاران مختلف، عدم قطعیت در تشخیص ناهنجاری های بدو تولد نوزادان توسط پزشکان و پرستاران و نیز وجود مشکل و خطا در دید پزشکان جهت اندازه گیری معیارهای مربوط به سلامتی نوزاد را دارا می باشد. سیستم خبره عصبی مزیت آموزش شبکه عصبی و یادگیری تطبیقی تشخیص سلامتی نوزاد در بدو تولد را دارا می باشد.
.2 مروری بر کارهای انجام شده توسط دیگران در زمینه نوزادان
در سال 1393 سیستم پیش بینی نوزادان با وزن کم در هر یک از بازه های دوران بارداری، با به کارگیری روش های هوش مصنوعی فازی و غیر فازی، بدون استفاده از اندازه گیری های حاصل از سونوگرافی توسط مهتاب فرح بخش و همکاران طراحی شده است.[7] در این مقاله سیستمی ارائه شده است، که وزن نوزاد را قبل از تولد پیش بینی و در 2 گروه نوزاد با وزن کم و نوزاد با وزن طبیعی قرار می دهد. برای طبقه بندی از دو نوع کلاس بند عصبی - فازی و کلاس بندی نزدیک ترین همسایه استفاده شده است که طبقه بند KNN با توانایی %96 و خطای نوع اول آن 0/1 بهترین کلاس بند بوده است.
در سال 1390 سیستم بررسی عوامل مادری مرتبط با تولد نوزاد نارس یک مطالعه موردی مشاهده ای توسط کوکب نمکین و همکاران ارائه شده است.[8] این مطالعه روی 130 نوزاد نارس و 130 نوزاد رسیده انجام شده است که نوزادان نارس در گروه مورد و نوزادان رسیده در گروه شاهد قرار داده شده است. بر اساس مدل رگرسیون لجستیک در این مطالعه شانس تولد نوزادان نارس 4/48 برابر مادران بدون سابقه تولد نوزاد نارس، در مادران مبتلا به پره اکلامپسی 7/72 برابر مادران سالم است.
درسال 1998 سیستم پیش بینی ریسک مرگ و میر نوزادان نارس توسط زرینکو و همکاران طراحی شده است.[9] در این سیستم از داده های ورودی آموزش دیده شبکه عصبی مصنوعی استفاده شده است. در مجموع 890 نوزاد نارس با سن حاملگی کمتر از 34 هفته بارداری و وزن هنگام تولد کمتر از 1500 گرم متولد شده اند، مورد مطالعه قرار گرفته اند. در این مطالعه دو مدل شبکه عصبی مصنوعی و مدل رگرسیون لجستیک مقایسه شده است. نتایج شبکه عصبی مصنوعی به طور قابل توجهی بهتر از مدل رگرسیون لجستیک بوده است.
در سال2015 سیستمی برای پیش بینی زایمانهای زودرس در زنان باردار با استفاده از شبکه عصبی طراحی شده است .[10] در این سیستم طبقه بندی سوابق و نارسی با استفاده از مجموعه داده شامل 300 پرونده 38 - زودرس و 262 ترم - ارائه شده است. این مقاله با استفاده از یک رویکرد یادگیری ماشین و سوابق از مراحل اولیه بارداری برای پیش بینی زایمان های نارس و ترم را ارزیابی کرده است. نتایج شبیه سازی نشان داد که این روش%56 دقت و 0/8269 حساسیت در هنگام استفاده از مجموعه داده TPHG به دست آورده است. علاوه بر این در هنگام استفاده از داده های بالینی اضافی دقت به %89/8148 بهبود یافته است، در حالی که حساسیت 0/9123 بوده است.
درسال 1394 سیستم طبقه بندی گریه نوزادان در یک مدل فازی توسط جواد حمید زاده و همکاران طراحی شد.[11] این سیستم تمایز بین گریه ی ناخوشی و فریاد طبیعی را تشخیص می دهد. گریه ی نوزادان را با استفاده از سیستم های فازی در دو دسته ی گریه نرمال و ناخوشی طبقه بندی کرده است. گریه ی نوزاد یکی از عوامل مهم برای تشخیص سلامتی است. در این مقاله برای طبقه بندی گریه نوزادان از انتخاب رقابت استعماری در یک مدل فازی استفاده شده است. دقت این روش %99/99 است.
در سال 2013 سیستم مراقبت از جنین بر اساس الگوهای تغییرات در ضربان قلب با استفاده از منطق فازی نوع 2، توسط ویجای چوراسیا طراحی شد.[12] ارزیابی سلامت جنین به الگوهای تغییرات در ضربان قلب جنین بستگی دارد. ایجاد تغییر در الگوهای تغییرات در ضربان قلب بسیار دشوار است و اغلب منجر به تشخیص اشتباه می شود .
در این مقاله یک روش جدید برای ارزیابی وضعیت سلامتی جنین براساس منطق فازی نوع 2، از طریق صدانگاری قلبی پیشنهاد شده است. منطق فازی نوع دوم یک ابزار قدرتمند برای رفع عدم قطعیت با توجه به تغییرات غیر اصلی در الگوهای تغییرات در ضربان قلب، از طریق افزایش ابهام آن روابط است. این آزمایشات در زنان باردار در گروه سنی 24 الی 32 سال، با دوران بارداری بین 28 تا 38 هفته، که یک دوره ی مهم از بارداری می باشد، انجام شده است.
