fa تشخیص آپاندیسیت حاد در کودکان با استفاده از شبکه های عصبی مصنوعی بیماری‌های اطفال Pediatric Disease پژوهشي Research <p dir="RTL" style="text-align: justify;"><strong>زمینه و هدف</strong>: آپاندیسیت حاد، یکی از شایع‌ترین علت جراحی اورژانس، به‌ویژه در کودکان است. تشخیص صحیح و به‌موقع آن می‌تواند موجب کاهش میزان عوارض ناخوشایند گردد. باوجود پیشرفت روش‌های تشخیصی هنوز درصد چشمگیری از بیماران با تشخیص اولیه آپاندیسیت حاد، دارای لاپاراتومی منفی هستند. هدف از این پژوهش ارزیابی نقش شبکه‌های عصبی مصنوعی در تشخیص آپاندیسیت حاد در کودکان با شکم حاد بود.</p> <p dir="RTL" style="text-align: justify;"><strong>روش کار</strong>: در این پژوهش از داده‌های 206 بیمار با شکم حاد استفاده گردید که از فروردین 1384 لغایت اسفند 1393 به بیمارستان کودکان علی‌اصغر(ع) شهر تهران مراجعه کرده بودند. در مدل شبکه عصبی مصنوعی پیش‌خور با الگوریتم پس انتشار خطا از دو تابع آموزشی لونبرگ مارکواردت و شیب توأم مقیاس شده استفاده شد.</p> <p dir="RTL" style="text-align: justify;"><strong>یافته‌ها</strong>: با توجه به نتایج به‌دست‌آمده، شبکه پس انتشار پیش‌خور با توپولوژی 2-10-12 و الگوریتم لونبرگ مارکواردت و راهبرد توابع یکسان برای تمام لایه‌ها (تانژانت هایپربولیک سیگموئیدی) به‌عنوان بهترین تابع آموزشی برای تشخیص آپاندیسیت حاد در کودکان انتخاب گردید. مقدار حساسیت، ویژگی و صحت شبکه عصبی مصنوعی 100 درصد بود. این نتایج حاکی از پتانسیل بالای شبکه‌های عصبی مصنوعی به‌عنوان ابزاری قوی در تشخیص آپاندیسیت حاد در کودکان بود.</p> <p dir="RTL" style="text-align: justify;"><strong>نتیجه‌گیری</strong>: در این پژوهش از شبکه‌های عصبی مصنوعی باهدف یاری‌رساندن به متخصصین پزشکی در تشخیص بیماری آپاندیسیت حاد استفاده گردید. شبکه‌های عصبی مصنوعی می‌تواند یک ابزار مؤثر برای تشخیص دقیق آپاندیسیت حاد باشند و این سیستم‌ها ممکن است آپاندکتومی های غیرضروری، هزینه‌ها و زمان فرایندهای تشخیصی را کاهش دهد.</p> <p style="margin: 0cm 0cm 8pt; text-align: justify;"><font face="Calibri"><font size="3"><font color="#000000"><b>Introduction</b>: Acute appendicitis is one of the most common causes of emergency surgery especially in children. Proper and on-time diagnosis may decrease the unwanted complications. In despite of diagnostic methods, a significant number of patients yet and up with negative laparotomies. The aim of this study was to assess the role of artificial neural networks in diagnosis of acute appendicitis in children with acute abdomen.</font></font></font></p> <p style="margin: 0cm 0cm 8pt; text-align: justify;"><font size="3"><font color="#000000"><font face="Calibri"><b>Method</b>:</font><span dir="RTL" mso-ascii-font-family:="" mso-ascii-theme-font:="" mso-bidi-font-family:="" mso-bidi-theme-font:="" mso-hansi-font-family:="" mso-hansi-theme-font:="" style="font-family: "> </span><font face="Calibri">Data from 206 patients presenting with acute abdomen referred to ALI ASGHAR pediatric Hospital in Tehran during April 2005 to March 2015 were used in this research. Two train functions, Levenberg-Marquardt and Scaled Conjugate Gradient were used for the feed-forward back propagation neural network.</font></font></font></p> <p style="margin: 0cm 0cm 8pt; text-align: justify;"><font face="Calibri"><font size="3"><font color="#000000"><b>Result</b>: Results showed that the feed-forward back propagation algorithm with topology of 12-10-2, Levenberg-Marquardt training algorithm and similar functions for all of the layer (Hyperbolic tangent sigmoid) was the best order to diagnosis acute appendicitis in children. The sensitivity, specificity, and accuracy of the artificial neural network were 100 %, 100 %, and 100 % respectively. These results indicated a high potential of neural network as strong tool in diagnosis acute appendicitis in children.</font></font></font></p> <p style="margin: 0cm 0cm 8pt; text-align: justify;"><font face="Calibri"><font size="3"><font color="#000000"><b>Conclusion and discussion</b>: we have used a neural network methods targeted at aiding medical specialist in their diagnosis of acute appendicitis disease. Artificial neural networks could be an effective tool for accurately diagnosing acute appendicitis. Such systems may reduce unnecessary appendectomies, diagnostic costs and time.</font></font></font></p> آپاندیسیت حاد, کودک, تشخیص, شبکه عصبی مصنوعی, حساسیت, ویژگی Acute appendicitis, Child, Diagnosis, Artificial neural network, Sensitivity, Specificity 115 127 http://rjms.iums.ac.ir/browse.php?a_code=A-10-2945-1&slc_lang=fa&sid=1 solayman saeedi سلیمان سعیدی power.1334@gmail.com 3900319475328460033800 3900319475328460033800 No دانشگاه علوم پزشکی ایران Mostafa Langarizadeا مصطفی لنگری زاده langarizadeh.m@iums.ac.ir 3900319475328460033801 3900319475328460033801 Yes دانشگاه علوم پزشکی ایران