fa پیش بینی بیماری‌های کبدی با استفاده از مدل مارکف پنهان آمار حیاتی Biostatistics پژوهشي Research <p dir="RTL" style="text-align: justify;"><strong>زمینه و هدف</strong>:&nbsp; کبد بزرگترین اندام درونی و مهمترین عضو پس از قلب و مغز در بدن انسان است و بدون آن ادامه حیات غیر ممکن است. تشخیص بیماری های کبدی نیازمند زمان طولانی و تخصص کافی پزشک معالج دارد. روش های آماری می‌توانند همانند یک سیستم&nbsp; پیش بینی اتوماتیک در جهت تشخیص دقیق و سریع&nbsp; بیماری های کبد&nbsp; به پزشکان متخصص کمک کنند. مدل مارکف پنهان از روش های هوشمند و قوی&nbsp; آمار است که در راستای این هدف در &nbsp;پژوهش &nbsp;حاضر به کار رفته است.</p> <p dir="RTL" style="text-align: justify;"><strong>روش کار: </strong>داده های این پژوهش مقطعی، اطلاعات پرونده بیمارانی &nbsp;است که به 5 نوع مختلف بیماری های کبد از جمله سیروز کبدی، سرطان کبد، هپاتیت حاد، هپاتیت مزمن و کبد چرب مبتلا&nbsp; و در سال های 1385 تا 1392 در بیمارستان افضلی پور کرمان بستری بوده اند. مدل مارکف پنهان با&nbsp; الگوریتم آموزشی <span dir="LTR">EM </span>&nbsp;&nbsp;به داده ها برازش و برای ارزیابی عملکرد آن معیارهای دقت، حساسیت و ویژگی استفاده شد.</p> <p dir="RTL" style="text-align: justify;"><strong>یافته ها: </strong>میزان&nbsp; دقت، حساسیت و&nbsp; ویژگی مدل برای تشخیص هر بیماری کبدی جداگانه محاسبه شد و بالاترین مقدار آنها در تشخیص سیروز کبدی با میزان دقت 77/0، حساسیت 82/0 و ویژگی 96/0 بدست آمد. همچنین کمترین میزان هم در تشخیص کبد چرب با دقت 65/0، حساسیت 69/0 و ویژگی 94/0 بود.</p> <p style="text-align: justify;"><strong><span dir="RTL">نتیجه گیری: </span></strong><span dir="RTL">نتایج این پژوهش حاکی از توانمندی بالقوه&nbsp; مدل مارکف پنهان است لذا&nbsp; </span><span dir="RTL">به کار گیری این مدل در زمینه تشخیص بیماری های کبدی پیشنهاد می شود</span></p> <p><strong>Background</strong><strong><em>:</em></strong> The liver is the largest internal organ and the most important organ after heart and brain in the human body without which life is impossible. Diagnosis of liver disease requires a long time and sufficient expertise of the doctor. Statistical methods can be classified as an automated forecasting system and help specialists for quickly and accurately diagnose liver disease. Hidden Markov model is an intelligent and robust statistical method that has been used in present study.</p> <p><strong>Methods: </strong>The data used in this cross sectional &nbsp;study collected from records of patients with&nbsp; five different types of liver diseases, including cirrhosis,&nbsp; liver cancer,&nbsp; acute hepatitis, chronic hepatitis, and&nbsp; fatty liver disease. The patients have been admitted to Afzalipour&nbsp; Hospital in Kerman, Iran, from &nbsp;2006 &nbsp;to&nbsp; 2013. Hidden Markov model using EM algorithm for learning was fitted to the data and for evaluating the performance of the model, criteria as accuracy, sensitivity and specificity were used.</p> <p><strong>Results<em>:</em></strong> The decision, sensitivity, and specificity criteria of the model for diagnosis of each liver disease were separately calculated and the highest level criteria in diagnosis of cirrhosis of the liver were 77% decision, 82% sensitivity, and 96% specificity, and also the lowest level of diagnosis for fatty liver disease was 65% decision, 69% sensitivity and 94% specificity.</p> <p><strong>Conclusion: </strong>The results of this study indicate the potential capabilities of the Hidden Markov Model. Therefore, using Hidden Markov Model for prediction of diagnosis of liver disease is recommended</p> مدل مارکف پنهان, الگوریتمEM , بیماری های کبدی, پیش بینی Hidden Markov Model, EM algorithm, Liver disease, Prediction 66 74 http://rjms.iums.ac.ir/browse.php?a_code=A-10-2589-1&slc_lang=fa&sid=1 Farzan Madadizadeh فرزان مددی زاده fmadadizadeh@razi.tums.ac.ir 3900319475328460033207 3900319475328460033207 No Tehran University of Medical Sciences دانشگاه علوم پزشکی تهران Mitra Montazeri میترا منتظری mmontazeri@eng.uk.ac.ir 3900319475328460033208 3900319475328460033208 No Kerman University of Medical Sciences دانشگاه علوم پزشکی کرمان Abbas Bahrampour عباس بهرام پور abahrampour@yahoo.com 3900319475328460033209 3900319475328460033209 Yes Kerman University of Medical Sciences دانشگاه علوم پزشکی کرمان