سیستم پیش‌بینی زردی نوزادان بر اساس الگوریتم ماشین بردار پشتیبان

مقدمه: زردی یکی از مشکلات شایع دوران نوزادی است که حدود 60 درصد از نوزادان رسیده و 80 درصد از نوزادان نارس در هفته اول زندگی به آن مبتلا میشوند. مطالعه حاضر، به منظور ایجاد سیستمی برای پیشبینی زردی نوزادان در 24 تا 72 ساعت اول پس از تولد با بکارگیری الگوریتم ماشین بردار پشتیبان انجام شد. روش ها: این مطالعه از نوع کاربردی -توسعه ای بود که با روش کمی انجام شد. ابتدا بر اساس بررسی متون، پرسشنامه ای حاوی عوامل موثر در پیش بینی زردی نوزادان طراحی شد. تحلیل داده ها با استفاده از آمار توصیفی انجام شد و عواملی در مدل لحاظ شد که حداقل 50 درصد از متخصصان آن را ضروری تشخیص دادند. سپس، داده های 1178 نوزاد متولد شده در بیمارستان لولاگر تهران از پرونده زایمان استخراج شد و جهت پیش بینی زردی نوزادان، از چندین الگوریتم یادگیری ماشین استفاده شد که در این میان با توجه به نتایج حاصله جهت مدل سازی نهایی، الگوریتم ماشین بردار پشتیبان استفاده و با سنجه های مختلف ارزیابی گردید. یافته ها: یافته های حاصل از این پژوهش نشان داد که مدل پیشنهادی با الگوریتم svm به دلیل ایجاد فاصله بین کلاس ها به عنوان بهترین خروجی انتخاب شد. بنابراین، مدل نهایی الگوریتم svm با استفاده از هسته گوسی و با سیگمای1.2360605 ایجاد شد که 30 درصد از نمونه ها ( 354 مورد) آزمون شدند و از این تعداد 321 مورد به درستی پیش بینی شد. در این مدل سازی سنجه های دقت، سطح زیر نمودار roc و معیار f1 به ترتیب 92.7 درصد، 93 درصد و 88 درصد بدست آمد. نتیجه گیری: استفاده از svm در ایجاد سیستم پیش بینی زردی نوزادان میتواند به پزشکان در پیش بینی به موقع زردی نوزادان کمک نماید و امکان انجام اقدامات پیشگیری و جلوگیری از خطرات احتمالی ناشی از زردی نوزادان را فراهم نماید.

a neonatal jaundice prediction system based on the support vector machine algorithm

introduction: jaundice is one of the most common problems in the neonatal period, affecting about 60% of full-term and 80% of premature infants in their first week of life. the present study aimed to develop a system for predicting neonatal jaundice within the first 24 to 72 hours post-delivery by using the support vector machine (svm) algorithm. methods: this applied-developmental study employed a quantitative method. first, based on a literature review, a questionnaire containing effective factors for predicting jaundice in newborns was designed. data analysis was performed using descriptive statistics, and factors that were recognized as necessary by at least 50% of the experts were included in the model. then, data from 1178 newborns delivered at lolagar hospital in tehran were extracted from birth records, and several machine learning algorithms were used to predict neonatal jaundice. results: the findings of this research showed that the proposed model based on the svm algorithm is the best output due to the distance between classes. therefore, the final model of the svm algorithm was created using the gaussian kernel, with a sigma value of 1.2360605. thirty percent of the samples (354 cases) were tested, and 321 cases were correctly predicted. in the proposed svm model, parameters such as precision, the area under the receiver operating characteristic (roc), and f1 score were 92.7%, 93%, and 88% respectively. conclusion: incorporating svm into a system for predicting jaundice in newborns can aid doctors with timely prediction of jaundice in newborns and provide the possibility of taking preventive measures and preventing possible risks caused by jaundice in newborns.