پیش بینی سن بروز اسکیزوفرنی با استفاده از مدل الگوریتم ژنتیک

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 779

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ASMJ01_0278

تاریخ نمایه سازی: 17 اسفند 1393

چکیده مقاله:

مقدمه: اسکیزوفرنی بیماری روانی وخیمی است که معمولا در اواخر دوره جوانی یا اوایل بلوغ بروز میکند. عوامل وراثتی و عوامل محیطی در ایجاد آن موثر می باشند. پیش بینی احتمال بروز اسکیزوفرنی یکی از فاکتورهای مهم در درمان این بیماری محسوب میشود. هدف از این تحقیق، پیشبینی سن بروز اسکیزوفرنی با استفاده از مدل الگوریتم ژنتیک است. روش: در این پژوهش، از اطلاعات و داده های حاصل از یک بررسی که در فاصله زمانی چهار ماهه در مرکز روان پزشکی ابن سینای مشهدصورت گرفت، استفاده گردید. این داده ها شامل سن پدر و مادر افراد مبتلا به اسکیزوفرنی در زمان تولد آنها و نیز سن بروز بیماری در افراد اسکیزوفرن بود. با توجه به اینکه سن والدین و عوامل محیطی نقش اساسی در زمان بروز این بیماری ایفا مینمایند، با استفاده از تکنیک شبکه عصبی مصنوعی و مدل الگوریتم ژنتیک، نرم افزار Thinks pro(Version 1.05) تحت آموزش قرار گرفت و فاکتورهای موثر در ایجاد بیماری به عنوان ورودی به نرم افزار داده شد. یافته ها: در این مطالعه 511 بیمار، مورد بررسی قرار گرفتند که از این تعداد 90 نفر مرد و 65 نفر زن بودند و میانگین سن آنها 30/12 بود. سن متوسط پدران به هنگام تولد نمونه ها 32/95 و سن متوسط مادران به هنگام تولد نمونه ها 27/78 بود. سن بروز اسکیزوفرنی در فرزندان با استفاده از الگوریتم ژنتیک با دقت 97/02 درصد پیش بینی گردید. نتیجه گیری نتایج حاصل از این مطالعه پیشنهاد میکند که با استفاده از الگوریتم ژنتیک میتوان سن بروز اسکیزوفرنی در فرزندان را پیش بینی نمود.

نویسندگان

محمد جواد قربانی

دانشجوی دکتری ژنتیک، گروه ژنتیک، دانشکده علوم پایه، دانشگاه علوم و تحقیقات فارس، فارس، ایران

الهام قربانی

کارشناس ارشد میکروبیولوژی، دانشکده علوم پایه، دانشگاه علوم و تحقیقات فارس، فارس، ایران

زیبا چابک

کارشناس روانشناسی، گروه روانشناسی، دانشگاه آزاد اسلامی واحد ارسنجان، فارس، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Behrman, M., Linder, R., Assadi, A. H., Stacey, B. R., ...
  • Ben-Shalom, R., Aviv, A., Razon, B., & Korngreen, A. (2012). ...
  • Bryce, T. J., Dewhirst, M. W., Floyd, C. E., Jr., ...
  • Buscema, M. (1998). Self-recurret neural network. Subst Use Misuse, 33 ...
  • Clegg, J., & Robinson, M. P. (2012). A genetic algorithm ...
  • Dayhoff, J. E., & DeLeo, J. M. (2001). Artificial neural ...
  • Fernandez, M., & Miranda-S aavedra, D. (2012). Genome-wide enhancer prediction ...
  • Gletsos, M., Mougiakakou, S. G., Matsopoulos, G. K., Nikita, K. ...
  • Hiroyasu, T., Miyabe, Y., & Yokouchi, H. (2011). Training data ...
  • Liu, F & , .Wang, J. (2001). [Genetic algorithms and ...
  • Luo, J. W., & Wang, T. (2010). Motif discovery using ...
  • Murat _ M. E., Erkan Zeki Engin, Y. Ziya Ates;i. ...
  • Naguib, R. N., Adams, A. E., Horne, C. H., Angus, ...
  • Parekattil, S. J., Fisher, H. A., & Kogan, B. A. ...
  • Peter D. Turnpenny, S. E. (2007). EMERY'S ELEMENTS OF MEDICAL ...
  • Santos, J., & Monteagudo, A. (2010). Study of the genetic ...
  • Santos, J. A., Silva, E. R., Ferreira, T. A., & ...
  • Steen, P. M. (1994). Approaches to predictive modeling. Ann Thorac ...
  • Streba, C .T., Ionescu, M., Gheonea, D. I., Sandulescu, L., ...
  • Willett, P. (1995). Genetic algorithms in molecular recognition and design. ...
  • نمایش کامل مراجع