پیش‌بینی میزان بروز بیماری سل با استفاده از سری‌های زمانی مبتنی بر شبکه‌های عصبی در ایران

زمینه و هدف: یکی از بیماری های عفونی مهم با مرگ ومیر بالا در جهان، سل می باشد که هیچ کشوری از آن مصون نیست و امروزه به علل مختلف مانند بیماری های زمینه ای بروز آن بار دیگر در حال افزایش می باشد. براساس آخرین گزارش سازمان بهداشت جهانی از وضعیت سل در ایران، سل مقاوم به دارو (mdrtb) و سل در افراد دارای ویروس نقص ایمنی انسانی (human immunodeficiency virus, hiv) در کشور رو به افزایش است. پیش بینی بروز برای پیشگیری، مدیریت و کنترل بهتر این بیماری امری لازم می باشد. هدف این مطالعه ایجاد سیستم پیش بینی کننده میزان بروز سل می باشد.روش بررسی: تحلیل گذشته نگری بر روی 10651 بیمار مسلول ثبت شده بین اول فروردین 1393 تا پایان اسفند 1394 در سیستم وزارت بهداشت، درمان و آموزش پزشکی ایران انجام گرفت. پارامترهای قابل استناد جداسازی شدند و به صورت مستقیم، ادغام و یا تولید شاخص جدید در نظر گرفته شدند.یافته ها: 23 متغیر مستقل وارد مطالعه شد که با سنجش همبستگی و محاسبه رگرسیون، 12 متغیر با 0/01p le; در اسپیرمن و 0/05p le; در پیرسون مرتبط شناخته شد. بهترین نتایج 0/93r= و 10/96mse= در داده های آموزش، صفر و صفر در داده های اعتبارسنجی و 0/91r= و 13/23mse= در داده های تست و همچنین نمودار رگرسیون چشمگیری از شبکه ایجاد شده با الگوریتم های سری زمانی شبکه عصبی در متلب به دست آمد.نتیجه گیری: نتایج مطالعه حاضر بیانگر این است که هوش مصنوعی برای استخراج دانش از داده های خام جمع آوری شده مربوط به بیماری سل عملکرد مناسبی دارد و می توان از آن برای پیش بینی موارد جدید این بیماری استفاده کرد.

Tuberculosis incidence predicting system using time series neural network in Iran

Background: Tuberculosis (TB) is an important infectious disease with high mortality in the world. None of the countries stay safe from TB. Nowadays, different factors such as Comorbidities, increase TB incidence. World Health Organization (WHO) last report about Iran's TB status shows rising trend of multidrugresistant tuberculosis (MDRTB) and HIV/TB. More than 95% illness and death of TB cases are in developing countries. The most infections are in South East Asia and West Pacific that 56% of them are new cases in the world. The incidence is actually new cases of each year. Incidence prediction is affecting TB prevention, management and control. The purpose of this study is designing and creating a system to predict TB incidence by time series artificial neural networks (ANN) in Iran.Methods: This study is a retrospective analytic. 10651 TB cases that registered on Iran rsquo;s Stop TB System from March 2014 to March 2016, Were analyzed. Most of reliable data used directly, some of them merged together and create new indicators and two columns used to compute a new indicator. At first, effective variables were evaluating with correlation coefficient tests then extracting by linear regression on SPSS statistical software, version 20 (IBM, Armonk, NY, USA). We used different algorithms and number of neurons in hidden layer and delay in time series neural network. R, MSE (mean squared error) and regression graph were used for compare and select the best network. Incidence prediction neural network were designed on MATLAB reg; software, version R2014a (Mathworks Inc., Natick, MA, USA).Results: At first, 23 independent variables entered to study. After correlation coefficient and regression, 12 variables with P le;0.01 in Spearman and P le;0.05 in Pearson were selected. We had the best value of R, MSE (mean squared error) and also regression graph in train, validation and tested by Bayesian regularization algorithm with 10 neuron in hidden layer and two delay.Conclusion: This study showed that artificial neural network had acceptable function to extract knowledge from TB raw data; ANN is beneficial to TB incidence prediction.