fa پیشگویی میزان موفقیت روش تلقیح اسپرم داخل سیتو پلاسم تخمک (ICSI) با استفاده از شبکه عصبی مصنوعی و لوژستیک رگرسیون زنان و زایمان Gynecology پژوهشي Research <strong><span style="color:#0070C0;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">زمینه و هدف: </span></span></span></strong><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">تزریق اسپرم به داخل تخمک </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">(ICSI)</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> در زوجین نابارور، تحولی شگرف در درمان این بیماران ایجاد نموده است. متأسفانه علی‌رغم هزینه بالای انجام </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">ICSI</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">، میزان موفقیت آن چشم‌گیر نبوده و شکست در ایجاد حاملگی، استرس سنگینی به آن‌ها تحمیل می‌کند. هدف از این تحقیق کوششی برای استخراج بهترین پارامتر‌های پیشگویی‌کننده در میزان موفقیت </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">ICSI</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> و ارتقای دقت، حساسیت و ویژگی پیشگویی به کمک مدل ریاضی لوژستیک رگرسیون و شبکه عصبی مصنوعی می‌باشد.</span></span></span><br> <strong><span style="color:#0070C0;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">روش کار:</span></span></span></strong> <span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">اطلاعات لازم از پرونده 345 بیمار تحت درمان </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">ICSI</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> و در قالب 54 پارامتراسمی و عددی استخراج گردید. داده‌ها به صورت تصادفی به دو دسته تخمین و یا آموزش (276</span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">n=</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">) و اعتبارسنجی یا آزمون (69 </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">n=</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">) تقسیم شدند. مدل‌های بکاربرده شده در این تحقیق باینری لوژستیک رگرسیون و شبکه عصبی با الگوی یادگیری لونبرگ مارکوارد بودند. نهایتاً مدل‌ها بوسیله شاخص‌هایی مانند دقت، حساسیت و ویژگی ارزیابی گردیدند.</span></span></span><br> <strong><span style="color:#0070C0;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">یافته‌ها:</span></span></span></strong> <span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">بهترین خروجی بدست آمده با مدل باینری لوژستیک و با استفاده از 54 متغیر 97% دقت، 86% حساسیت و 94% ویژگی را بدست داد. بهترین خروجی برای شبکه عصبی با استفاده از الگوی آموزشی لونبرگ مارکوارد با مدل کاهش یافته شامل تعداد 29 متغیر، دقت 82%، حساسیت 92% و ویژگی 76% بدست داد.</span></span></span><br> <strong><span style="color:#0070C0;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">نتیجه‌گیری:</span></span></span></strong><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> مدل باینری لوژستیک رگرسیون دارای قدرت زیادی در پیشگویی میزان موفقیت تزریق داخل سیتوپلاسمی تخمک هنگامی که خروجی به صورت باینری است می‌باشد.</span></span></span> <strong>Background:</strong> Intra-cytoplasmic sperm injection (ICSI) in infertile couples has created a great improvement for treatment of these patients. Unfortunately, despite of high cost of doing ICSI the rate of success is not acceptable and failing pregnancy put a heavy anxiety to couples. This study is aimed to make an effort in order to extract the best predictors for predict the success rate of intra cytoplasmic sperm injection and promote accuracy, sensivity and specificity by the use of artificial neural network and logistic regression.<br> <strong>Methods:</strong> 345 patients received ICSI treatment and each of which constructed of 54 numerical and nominal records. This database was randomly divided into the estimation (n=276) and validation (n=69) data set. The models were used based on binary logistic regression (BLR) feature selection tools and Levenberg-Marquardth neural network classifier. Finally, models were evaluated using important criteria such as accuracy, sensitivity and specificity.<br> <strong>Results:</strong> The best output of the B LR model by using 54 variables revealed accuracy (97%), sensitivity (86%)and specificity (%94). The best output of the LMNN model using Reduced dataset consisted of n=29 with a feature vector side yielded the accuracy (82%) and sensitivity (%92) and specificity (%76).<br> <strong>Conclusion:</strong> Our result demonstrated that BLR model outperformed highlighting the great power of BLR in success rate of ICSI prediction while using binary output.<br> &nbsp;<br> &nbsp; تزریق داخل سیتوپلاسمی تخمک,لوژستیک رگرسیون,شبکه عصبی مصنوعی Intra cytoplasmic sperm injection,Logistic regression, Artificial neural network 118 126 http://rjms.iums.ac.ir/browse.php?a_code=A-10-4111-1&slc_lang=fa&sid=1 seyedeh fezeh Hashemi Karouei سیده فضه هاشمی کرویی nahidhashemi101@gmail.com 3900319475328460046138 3900319475328460046138 No Medical Science University of babol مرکز تحقیقات باروری و ناباروری حضرت فاطمه الزهرا (س)، دانشگاه علوم پزشکی بابل، بابل، ایران Parviz Abdolmaleki پرویز عبدالمالکی parviz@modares.ac.ir 3900319475328460046137 3900319475328460046137 Yes Tarbiat Modares University, Tehran, Iran دانشگاه تربیت مدرس، تهران، ایران Seyed Gholamali Joorsaraei سید غلامعلی جورسرایی alijorsara@yahoo.com 3900319475328460046139 3900319475328460046139 No Medical Science University of babol دانشگاه علوم پزشکی بابل، بابل، ایران