دقت پیش بینی مرگ و میر نوزادان با استفاده از شبکه عصبی تجمیعی

زمینه و اهداف: نرخ بالای مرگ‌ومیر نوزادان به‌عنوان یک مسئله مهم در بهداشت و سلامت جامعه در سراسر جهان هست. برآورد دقیق مرگ‌ومیر نوزادان پیش‌نیاز توسعه استراتژی‌های بهداشتی آینده هست که منجر به پیشرفت در وضعیت سلامتی نوزادان است؛ بنابراین، برای کاهش مرگ‌ومیر نوزادان و کاهش هزینه‌های مراقبت‌های بهداشتی ایجاد یک مدل پیش‌بینی برای پیشرفت جامعه ضروری است. هدف از این پژوهش ایجاد یک مدل پیش‌بینی، مبتنی بر تکنیک داده‌کاوی جهت بررسی دقت پیش‌بینی پیامد مرگ‌ومیر نوزادان در بدو تولد با استفاده از مدل شبکه عصبی تجمیعی در نرم‌افزار رپیدماینر می‌باشد. مواد و روش ها: این مطالعه بر روی 8053 تولد (شامل 1605 مورد مرگ و 6448 شاهد) در سراسر کشور در سال 1394 انجام‌ شد. متغیرهای مطالعه شامل بیماری‌های مادر، سن مادر، سن حاملگی، جنسیت نوزاد، وزن تولد، مرتبه ی تولد و ناهنجاری‌های بدو تولد به‌عنوان متغیرهای پیش‌بینی کننده روش شبکه عصبی تجمیعی مورد استفاده قرار گرفتند. معیارهایی مانند سطح زیر منحنی راک، دقت، صحت و میزان نرخ خطای دسته بندی شبکه عصبی تجمیعی محاسبه شدند و با مدل‌های دیگر داده‌کاوی مانند شبکه عصبی، درخت تصمیم و نزدیکترین همسایه مورد مقایسه قرار گرفتند. یافته ها: نتایج حاصل از مقایسه الگوریتم‌های پیش‌بینی نشان داد که شبکه عصبی تجمیعی با میزان دقت 21/99 درصد، صحت 17/99 درصد، نرخ خطای دسته‌بندی 83/0 درصد و سطح زیر منحنی راک 992/0 نتایج بهتری در پیش‌بینی نسبت به سایر مدل های پیش بینی داشت. نتیجه گیری: با توجه به نتایج بدست‌ آمده از این پژوهش، شبکه عصبی تجمیعی می‌تواند به کاهش هزینه های سیستم مراقبت بهداشتی کمک کند و سلامت جامعه را از طریق پیشگیری از مرگ ومیر و پیامدهای ناگوار نوزادان بهبود ببخشد.

The Precision of Neonatal Birth Outcomes Prediction Using the Bagging Neural Network

Background and Objectives: The high rate of neonatal mortality is a major problem in health care systems all around the world. The accurate estimation of neonatal mortality is a prerequisite for the development of future health strategies that leads to the improvements in neonatal health. Providing a predictive model is, therefore, essential to reduce the neonatal mortality rate and reducing health care costs. The purpose of this study was to produce a model based on the data mining techniques to increase the accuracy of the prediction of the outcome of the neonatal mortality using a bagging neural network model in Rapidminer software. Material and Methods: This study was conducted on 8053 births (including 1605 cases and 6448 controls) across the country in 1394. The study variables including maternal diseases, mother age, gestational age, child gender, birth weight, birth order, abnormalities were selected as predictive factors for bagging neural network method. We compared bagging neural network with neural network, decision tree and nearest neighbor. Some criteria including the area under ROC curve, precision, accuracy and classification error rate were considered in comparing with other data mining models. Results: The comparison of bagging neural network with other data mining models showed that the bagging neural network gives better results compared to other models: precision (99.21), accuracy (99.17), classification error rate (0.83) and AUC value (0.992). Conclusion: We conclude that the bagging neural network may help to reduce the cost of health care system, and to improve the community health by preventing the mortality and adverse outcomes in neonates.