سیستم خبره فازی تشخیص مننژیت باکتریال از سایر انواع مننژیت در کودکان

مقدمه: مننژیت باکتریال نیاز به تشخیص و درمان به موقع دارد. در غیر این صورت میزان مرگ و مـیر و عوارض نسـبتاً زیادی دارد. در مراحل اولیه بیماری، افتراق مننژیت باکتریال که خطرناک ترین نوع مننژیت محسوب می شود از انواع بی خطر آن امری پیچیده و با خطای بالایی همراه است. از این رو در این پژوهش با استفاده از منطق فازی، سیستم خبره ای ارائه شده که مننژیت باکتریال را از انواع دیگر مننژیت افتراق می دهد.روش: در سیستم خبره ارائه شده از دو موتور استنتاج فازی (تشخیص مننژیت باکتریال و پیشنهاد lp مجدد)،استفاده می کند. در هر دو موتور استنتاج از مدل ممدانی با مشخصه های max_min به عنوان عملگرهای and _or و روش مرکز جرم برای غیرفازیسازی، استفاده شده است.نتایج: زیرسیستم استنتاج تشخیص مننژیت باکتریال با استفاده از اطلاعات 106 بیمار مبتلا به مننژیت، ارزیابی شد. صحت، حساسیت و دقت سیستم به ترتیب 92، 100 و 89 درصد بود. سطح زیر منحنی roc 947/0 و ضریب کاپا توافق 83/0( p<0.001) بین تشخیص سیستم و تشخیص پزشک را نشان می دهد. زیر سیستم پیشنهاد lp مجدد نیز توسط اطلاعات 75 بیمار مبتلا به مننژیت غیر باکتریال، ارزیبی شد. صحت ،حساسیت و دقت سیستم به ترتیب 96،100 و 95 درصد بود. سطح زیر منحنی roc 96/0 و ضریب کاپا توافق 87/0(p<0.001) بین تشخیص سیستم و تشخیص پزشک را نشان می دهد.نتیجه گیری: با توجه به پیچیدگی تشخیص مننژیت باکتریال و اهمیت تشخیص به موقع و نیز نتایج مطلوب حاصل از به کارگیری و ارزیابی سیستم خبره پیشنهادی، این سیستم می تواند در تشخیص و افتراق مننژیت حاد باکتریال از سایر مننژیت ها مفید باشد، اما لازم مطالعات بیشتر با داده ها متنوع تر و بیشتری برای ارزیابی بهتر و تاًیید سیستم، انجام شود.

Fuzzy Expert System for Diagnosis of Bacterial Meningitis from Other Types of Meningitis in Children

Introduction: Bacterial meningitis requires timely diagnosis and treatment otherwise it will have relatively high complications and mortality and morbidity. In the early stages of the disease distinguishing between bacterial meningitis that it is most dangerous type and other type is so complicated and inaccurate. Hence in this study a fuzzy expert system for distinguish bacterial meningitis from other kind of meningitis in children is presented.Method: In the proposed fuzzy system, two fuzzy inference engines (The diagnosis of bacterial meningitis and the proposed new LP) were used. Mamdani model was used in both fuzzy inference engines using MaxMin as ANDOR operators and Centroid method was used as defuzzification technique. Results: The first fuzzy inference engine was evaluated using data obtained from 106 patients rsquo; records admitted with meningitis. Accuracy, sensitivity, and precision of the system in terms of bacterial meningitis diagnosis were 91%, 100% and 89% respectively. The ROC curve was used to show system performance graphically and the area under the ROC curve was 0.947. To measure agreement of system results with the physician diagnosis, Kappa statistics was employed and showed a high relation (K=0.79, P<0.001). Extracted data from 75 cases with nonbacterial meningitis were used to evaluate the second inference engine and accuracy, sensitivity, and precision of this system were 96%, 100%, and 95% respectively, and the area under the ROC curve was 0.96 and Kappa statistic showed a very high agreement between the system output with physician diagnosis (K=0.87,P<0/001).Conclusion: According to the complexity and importance of early diagnosis of bacterial meningitis, and favorable results of the implementation and evaluation of the suggested expert system, therefore this system can be useful for detecting and differentiating acute bacterial meningitis of other meningitis, but more studies must be performed for better assessment and verification of system.