خلاصة:
مقدمه: زردی یکی از مشکلات شایع دوران نوزادی است که حدود 60 درصد از نوزادان رسیده و 80 درصد از نوزادان نارس در هفته اول زندگی به آن مبتلا میشوند. مطالعه حاضر، بهمنظور ایجاد سیستمی برای پیشبینی زردی نوزادان در 24 تا 72 ساعت اول پس از تولد با بکارگیری الگوریتم ماشین بردار پشتیبان انجام شد. روش ها: این مطالعه از نوع کاربردی -توسعهای بود که با روش کمی انجام شد. ابتدا بر اساس بررسی متون، پرسشنامهای حاوی عوامل مؤثر در پیشبینی زردی نوزادان طراحی شد. تحلیل دادهها با استفاده از آمار توصیفی انجام شد و عواملی در مدل لحاظ شد که حداقل 50 درصد از متخصصان آن را ضروری تشخیص دادند. سپس، دادههای 1178 نوزاد متولدشده در بیمارستان لولاگر تهران از پرونده زایمان استخراج شد و جهت پیشبینی زردی نوزادان، از چندین الگوریتم یادگیری ماشین استفاده شد که در این میان با توجه به نتایج حاصله جهت مدلسازی نهایی، الگوریتم ماشین بردار پشتیبان استفاده و با سنجههای مختلف ارزیابی گردید. یافته ها: یافتههای حاصل از این پژوهش نشان داد که مدل پیشنهادی با الگوریتم SVMبه دلیل ایجاد فاصله بین کلاسها بهعنوان بهترین خروجی انتخاب شد. بنابراین، مدل نهایی الگوریتم SVM با استفاده از هسته گوسی و با سیگمای 1/2360605 ایجاد شد که 30 درصد از نمونهها (354 مورد) آزمون شدند و از این تعداد 321 مورد به درستی پیشبینی شد. در این مدلسازی سنجههای دقت، سطح زیر نمودار ROC و معیار F1 به ترتیب 92/7 درصد، 93 درصد و 88 درصد بدست آمد. نتیجهگیری: استفاده از SVM در ایجاد سیستم پیشبینی زردی نوزادان میتواند به پزشکان در پیشبینی بهموقع زردی نوزادان کمک نماید و امکان انجام اقدامات پیشگیری و جلوگیری از خطرات احتمالی ناشی از زردی نوزادان را فراهم نماید.
Introduction: Jaundice is one of the most common problems in the neonatal period, affecting about 60% of full-term and 80% of premature infants in their first week of life. The present study aimed to develop a system for predicting neonatal jaundice within the first 24 to 72 hours post-delivery by using the Support Vector Machine (SVM) algorithm.
Methods: This applied-developmental study employed a quantitative method. First, based on a literature review, a questionnaire containing effective factors for predicting jaundice in newborns was designed. Data analysis was performed using descriptive statistics, and factors that were recognized as necessary by at least 50% of the experts were included in the model. Then, data from 1178 newborns delivered at Lolagar hospital in Tehran were extracted from birth records, and several machine learning algorithms were used to predict neonatal jaundice.
Results: The findings of this research showed that the proposed model based on the SVM algorithm is the best output due to the distance between classes. Therefore, the final model of the SVM algorithm was created using the Gaussian kernel, with a sigma value of 1.2360605. Thirty percent of the samples (354 cases) were tested, and 321 cases were correctly predicted. In the proposed SVM model, parameters such as precision, the area under the Receiver Operating Characteristic (ROC), and F1 score were 92.7%, 93%, and 88% respectively.
Conclusion: Incorporating SVM into a system for predicting jaundice in newborns can aid doctors with timely prediction of jaundice in newborns and provide the possibility of taking preventive measures and preventing possible risks caused by jaundice in newborns.