طراحی و پیاده‌سازی یک سیستم هوشمند فازی جهت پیش‌بینی درصد موارد مرگ و میر بیماران تروما در بخش مراقبت‌های ویژه

مقدمه: بخش icu بیمارستان یکی از بخش‌های پر هزینه در بخش سلامت ملی می‌باشد. این هزینه‌ها تا حد زیادی به مدت اقامت بیمار وابسته است. لذا پیش‌بینی طول مدت اقامت بیماران و درصد موارد مرگ‌و‌میر در بخش مراقبت‌های ویژه اهمیت زیادی دارد. لذا در این پژوهش به طراحی سیستم هوشمند مبتنی بر منطق فازی جهت پیش‌بینی درصد موارد مرگ‌و‌میر بیماران تروما در بخش مراقبت‌های ویژه پرداخته شد.روش: داده‌های مورد نیاز برای طراحی سیستم، از پرونده‌های بیماران از سال 91 1389 گردآوری شد، سپس سیستم با استفاده از داده‌های گردآوری شده از هر پرونده اجرا شد و میزان همخوانی تشخیص سیستم با تشخیص نهایی ثبت شده در پرونده بیمار مقایسه گردید. مدل پیشنهادی نروفازی با 5 مدل هوشمند دیگر مقایسه گردید. این مقایسه بر اساس حساسیت، دقت، ویژگی و سطح زیر منحنی راک محاسبه و ارزیابی گردید.نتایج: میزان دقت این 6 مدل حدوداً به ترتیب 83% و 81‌%،80%، 75%، 82% و 81% است.نتیجه گیری: مدل نروفازی بهترین مدل ارزیابی شد و دارای بالاترین میزان دقت است. از نظر سطح زیر منحنی roc مجدداً این مدل بیشترین سطح زیر منحنی را دارد؛ لذا به‌کارگیری مدل نروفازی در زمینه تشخیص و پیش‌بینی درصد موارد مرگ و میر بیماران تروما در بخش مراقبت‌های ویژه پیشنهاد می‌شود. این امر در تحقیقات مرتبط با حوزه سلامت و به خصوص در تخصیص منابع درمانی برای افرادی که پرمخاطره پیش‌بینی می‌شوند از اهمیت بالایی برخوردار است.

Design and Implementation of a Fuzzy Intelligent System for Predicting Mortality in Trauma Patients in the Intensive Care Unit

Introduction: The intensive care unit is one of the most costly parts of the national health sector. These costs are largely attributable to the length of stay in the intensive care unit. For this reason, there are significant benefits in predicting patientschr('39') length of stay and the percentage of deaths in intensive care units. Therefore, in this study, a fuzzy logic based intelligent system was designed to predict the percentage of deaths in trauma patients in the intensive care unit.Method: Data needed to design the system were collected from patient files from 2010 to 2012. Then, the system was run using data collected from each file and the system diagnosis was compared with the final diagnosis recorded in the patient file. The proposed neurofuzzy model was compared with five other intelligent models. This comparison was calculated and evaluated based on sensitivity, accuracy, specificity, and the area under the ROC curve.Results: The accuracy of these six models was approximately 83%, 81%, 80%, 75%, 82% and 81%, respectively.Conclusion: The neurofuzzy model was evaluated as the best model and had the highest accuracy. This model also had the highest area under the ROC curve. Therefore, it is recommended to use neurofuzzy model to diagnose and predict the percentage of deaths in trauma patients in the intensive care unit. This is important in healthrelated research particularly in allocating therapeutic resources to people at risk.