پیش‌بینی لخته شدن خون بند ناف پیش از جمع‌آوری با کمک الگوریتم‌های یادگیری ماشین پیشرفته

سابقه و هدف خون بند ناف منبع ارزشمندی از سلول‌های بنیادی است که در پیوند برای درمان بیماری‌های مختلف از جمله لوسمی، لنفوم و اختلالات ژنتیکی مورد استفاده قرار می‌گیرد. با این ‌حال، لخته‌ شدن خون بند ناف در فرآیند جمع‌آوری می‌تواند کیفیت نمونه را کاهش دهد و بر اثر بخشی آن در ذخیره‌سازی خون بند ناف در بانک‎ها تاثیر بگذارد. در این مقاله با استفاده از روش‌های پیشرفته یادگیری ماشین، لخته‌شدن خون بند ناف قبل از جمع‌آوری نمونه‌ها از اهداکنندگان پیش‌بینی شده است. مواد و روش‌ها در یک مطالعه گذشته‌نگر، تعداد 928127 نمونه از بانک خون بند ناف رویان از سال 1384 تا 1400 بررسی شدند. داده‌ها با استفاده از نمونه‌های موجود در بانک خون بند ناف رویان و با استفاده از الگوریتم‌های طبقه‌بندی یادگیری نظارت شده، از جمله درخت تصمیم، بیزین ساده، k- نزدیک‌ترین همسایه، ماشین‌بردار پشتیبان، جنگل تصادفی، طبقه‌بندی رای اکثریت و پرسپترون چند لایه برای پیش‌بینی لخته‌شدن خون بند ناف بر روی داده‌های بانک خون بند ناف رویان اجرا و عملکرد آن‌ها با استفاده از معیارهای ارزیابی دقت، صحت، بازخوانی و امتیاز f1 مقایسه شد. یافته‌ها در این مطالعه دقت الگوریتم درخت تصمیم 0.80،  بیزین ساده 0.63، k- نزدیک‌ترین همسایه 0.83، ماشین‌بردار پشتیبان 0.65، جنگل تصادفی 0.84، طبقه‌بندی رای اکثریت 0.81 و پرسپترون چند لایه 0.74 اندازه‌گیری شده است. نتیجه گیری در این مطالعه عملکرد دو الگوریتم جنگل تصادفی و k- نزدیک‌ترین همسایه بهترین کارآیی را از خود نشان دادند و بیانگر آن است که می‌توان با کمک الگوریتم‌های یادگیری ماشین، با دقت بالایی بروز لخته پیش از زایمان را در نوزاد پیش‌بینی کرد و به کمک آن می‌توان از نمونه‌برداری نمونه‌های دارای لخته به ‌منظور کاهش هزینه و مشکلات ذخیره‌سازی آن‌ها جلوگیری نمود. 

predicting pre-collection umbilical cord blood clotting using advanced machine learning algorithms

background and objectives umbilical cord blood is a valuable source of stem cells used in transplants to treat various diseases including leukemia, lymphoma and genetic disorders. however, cord blood clotting during the collection process can reduce sample quality and quantity and impact its efficacy in cord blood banking. this article aims to predict pre-collection cord blood clotting in donors using advanced machine learning techniques.materials and methodsin this retrospective study, data was gathered using 928127 samples available in the fetal cord blood bank, and with using supervised machine learning classification algorithms, including decision tree, naïve bayes, k-nearest neighbors, support vector machine, random forest, majority voting and multilayer perceptron, prediction of cord blood clotting was performed on the royan cord blood bank database and their performance was compared using evaluation metrics such as accuracy, precision, recall, and f1 score.resultsin this study, the algorithm accuracy of decision tree was 0.80, naive bayes was 0.63, k-nearest neighbors was 0.83, support vector machine was 0.65, random forest was 0.84, majority voting classifier was 0.81, and multilayer perceptron was 0.74.conclusions  in this study, the performance of random forest and k-nearest neighbors algorithms demonstrated the best accuracy showing that machine learning algorithms can predict prenatal cord blood clotting with high accuracy which can help prevent sampling of clotted specimens in order to reduce costs and storage problems.