Razi Journal of Medical Sciences

fa شبکه عصبی مصنوعی برای ارزیابی خطر اختلالات حرکتی در نوزادان Artificial neural network for risk assessment of neonatal movement disorders نوزادان Neonatology پژوهشي Research زمینه و هدف: پیش بینی اختلالات تکاملی بعدی در هنگام تولد بسیار با اهمیت است. این مطالعه با هدف پیشبینی اختلالات حرکتی کودکان با استفاده از شبکه عصبی مصنوعی Artificial Neuronal Network -ANN)) در دوره نوزادی طرحریزی شده است.<o:p /> روش کار: در این مطالعهی گذشتهنگر، 600 شیرخوار با معاینه عصبی طبیعی و 120 شیرخوار با معاینه عصبی غیر طبیعی بررسی شدند. برای انجام تحلیل، دادهها به صورت تصادفی به دو قسمت آموزشی و آزمایشی تقسیم شدند. فرآیند یادگیری با مجموعه اول (360 مورد) انجام شد. پس از آموزش شبکه، مرحله آزمایش شبکه با مجموعه دادههای آزمایشی (360 مورد دادههای باقیمانده) انجام پذیرفت. تحلیل دادهها با نرمافزارR نسخه 1/14 انجام شد.<o:p /> یافته‌ها: برای مقایسه صحت کلاس بندی دو مدل مبتنی بر مجموعه آزمایشی در پیشگویی اختلال حرکتی از جدول صحت کلاس بندی استفاده گردید. شاخصهای هماهنگی نشان داد که شبکه عصبی مصنوعی در مقایسه با مدل رگرسیون لجستیک دارای دقت پیشگویی بالاتری است و مجموع پیشگویی درست با/بدون اختلال حرکتی در شبکه عصبی مصنوعی 6/78 درصد در مقابل 9/73 درصد می باشد. سطح زیر منحنی مشخصه عملکرد در مورد شبکه عصبی مصنوعی 71/0 و در مدل رگرسیون لجستیک 68/0 به دست آمد. در مجموع، ویژگی و حساسیت شبکه عصبی مصنوعی در مقایسه با مدل رگرسیون به ترتیب 0/88 درصد در مقابل 0/85 درصد و 7/31 درصد در برابر 3/18 درصد به دست آمد.<o:p /> نتیجه‌گیری: توانایی شبکه عصبی مصنوعی و مدل رگرسیون لجستیک در پیش بینی کودکان بدون اختلال حرکتی مشابه بوده ولی توانایی شبکه عصبی مصنوعی در پیش بینی اختلال حرکتی بیشتر از مدل رگرسیونی است.<o:p /> Background: Prediction of developmental disorders in infancy is very important. This study aimed to predict movement disorders of children using Artificial Neural Network (ANN) model.<o:p /> Methods: This was a retrospective study, in which 600 infants with normal and 120 infants with abnormal neurologic examination were evaluated. For analysis, the data divided the study group randomly into two equal parts, training and testing. At first the learning process was made on training set (360 cases). After the learning process, testing phase was done with the testing data set (360 cases). All data analysis was carried out by R 14.1 software.<o:p /> Results: For comparing the accuracy of the models' prediction, the accuracy classification table was used for the testing subset. The concordance indexes showed that the ANN model led to more accurate predictions compared to the LR model (true prediction with or without developmental disorder was 78.6% vs. 73.9%). The under Receiver Operating Characteristic (ROC) curves, calculated from testing data, for ANN and LR model were 0.71 and 0.68, respectively. In addition, specificity and sensitivity of the ANN model vs. LR model was calculated 88.0% vs. 85.0% and 31.7% vs. 18.3%, respectively.<o:p /> Conclusions: The ability of ANN and LR predictions to identify <a name="OLE_LINK122"></a><a name="OLE_LINK121">infants </a>without developmental disorder is similar but the ability of the ANN predictions to identify infants with developmental disorder is better than LR predictions.<o:p /> تکامـل انسان، شیر خوار، شبکه عصبی مصنوعی، رگرسیون لجستیک، اختلال حرکتی Human development, Infant, Artificial neural network, Logistic regression, Movement disorder 31 38 http://rjms.iums.ac.ir/browse.php?a_code=A-10-1-1487&slc_lang=fa&sid=1 Farin Soleimani فرین سلیمانی 3900319475328460025044 3900319475328460025044 No University of Social Welfare and Rehabilitation Sciences دانشگاه علوم بهزیستی و توانبخشی Robab Teymouri رباب تیموری 3900319475328460025045 3900319475328460025045 No University of Social Welfare and Rehabilitation Sciences دانشگاه علوم بهزیستی و توانبخشی Sahel Hemati ساحل همتی 3900319475328460025046 3900319475328460025046 No University of Social Welfare and Rehabilitation Sciences دانشگاه علوم بهزیستی و توانبخشی Akbar Biglarian اکبر بیگلریان 3900319475328460025047 3900319475328460025047 Yes University of Social Welfare and Rehabilitation Sciences دانشگاه علوم بهزیستی و توانبخشی