لیلا اوجی

مقدمه: پوکی استخوان بیماری رایجی در زنان است. شکستگی ها آسیب های جبران ناپذیری ایجاد می کنند. بنابراین، تشخیص زودهنگام این بیماری و شروع درمان قبل از رخ دادن شکستگی مسئله مهمی است. هدف مطالعه حاضر، ایجاد یک سیستم تصمیم یار بالینی مبتنی بر شبکه های عصبی مصنوعی با قابلیت تشخیص ابتلا به پوکی استخوان بود. روش کار: مطالعه حاضر از نوع توسعه ای بود که بصورت مقطعی در نیمه دوم سال ۱۳۹۶ انجام شد. در پژوهش حاضر، ابتدا با شناسایی متغیرهای تاثیرگذار، پرسش نامه نظرسنجی برای انتخاب مهم ترین عوامل بالینی تهیه شد. اطلاعات ۲۵۶ نفر از زنان و تراکم استخوان پنج سال بعد از ثبت اولیه مربوط به زنان مراجعه کننده به واحد سنجش تراکم استخوان دانشگاه علوم پزشکی بوشهر برای آموزش شبکه استفاده شد. برای یافتن بهترین شبکه از روش آزمون و خطا استفاده شد. همچنین، شبکه با الگوریتم های گرادیان مزدوج و لونبرگ-مارکوارت آموزش داده شد. ارزیابی بر اساس ماتریس آشفتگی و معیار های حساسیت، ویژگی و صحت انجام گرفت. یافته ها: در مرحله اول از ۱۵ ویژگی ضروری از نظر پزشکان، مصرف الکل، انحنای پشت و برداشتن رحم، حذف و ۱۲ متغیر انتخاب شدند. سپس، شبکه عصبی پرسپترون چند لایه طراحی شد. نتایج نشان داد که الگوریتم گرادیان مزدوج با ۱۰ نرون و الگوریتم لونبرگ-مارکوارت با ۱۲ نرون در لایه مخفی بهترین ساختار شبکه را دارند. علاوه بر آن ، مقایسه صحت نشان داد که در مجموع الگوریتم لونبرگ-مارکوارت نتایج بهتری داشت. بهترین نتیجه به دست آمده حساسیت، ویژگی و صحت به ترتیب ۱/۸۳، ۴/۸۹ و ۳/۸۶ بود. نتیجه گیری: در مطالعه حاضر، با تمرکز بر داده های بومی ابزاری توسعه داده شد که می تواند در زمینه پیگیری بیماری پوکی استخوان بسیار موثر باشد. استفاده از این ابزار برای ارجاع به موقع افراد بیمار و شروع درمان می تواند از رخ دادن شکستگی عوارض جبران ناپذیر پوکی استخوان جلوگیری کند.