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

چکیده

زمينه و اهداف: نرخ بالای مرگ‌ومیر نوزادان به‌عنوان یک مسئله مهم در بهداشت و سلامت جامعه در سراسر جهان هست. برآورد دقيق 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. متغيرهاي مطالعه شامل بیماری‌های مادر، سن مادر، سن حاملگی، جنسيت نوزاد، وزن تولد، مرتبه ی تولد و ناهنجاری‌های بدو تولد به‌عنوان متغيرهاي پیش‌بینی كننده 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 شبكه عصبي، درخت تصميم و نزدیکترین همسایه مورد مقايسه قرار گرفتند.

يافته ها: نتايج حاصل از مقایسه الگوریتم‌های پیش‌بینی نشان داد كه شبكه عصبي تجميعي با ميزان دقت 99/21 درصد، صحت 99/17 درصد، نرخ خطای دسته‌بندی 0/83 درصد و سطح زیر منحنی راک 0/992 نتایج بهتری در پیش‌بینی نسبت به سایر مدل های پیش بینی داشت.

نتيجه گيري: با توجه به نتایج بدست‌ آمده از این پژوهش، شبکه عصبي تجميعي 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.