تعیین عوامل موثر بر مرگ بیماران با سوختگی شدید با استفاده از الگوریتم های یادگیری ماشین

مقدمه و هدف : سوختگی مشکل سلامت عمومی و یک آسیب جهانی در جوامع در حال توسعه می باشد که در انواع شدید منجر به فوت می شود. سوختگی چهارمین علت شایع تروما در سطح جهان است. سوختگی ها معمولا به گروه گرمایی، الکتریکی و شیمیایی طبقه بندی می شوند. در سال های اخیر استفاده از مدل های داده کاوی و یادگیری ماشین در زمینه های مختلف پزشکی رواج یافته است. روش ها: در این پژوهش سعی بر آن است با استفاده از دو الگوریتم یادگیری ماشین یعنی شبکه های عصبی مصنوعی و ماکزیمم آنتروپی (Maxent) نسبت به پیش بینی فوت و زنده ماندن بیماران سوختگی شدید اقدام گردد. ورودی مدل ها جهت آموزش معیارهایی مانند درصد سوختگی، درجه سوختگی، سن، جنسیت و ... می باشد. بعد از آموزش مدل ها نسبت به پی بینی فوت و زنده ماندن بیماران اقدام گردید. نتایج: اعتبارسنجی مدل های استفاده شده با استفاده از دیاگرام تیلور انجام گرفت. بعد از پیش بینی نسبت به تعیین وزن معیارهای ورودی با استفاده از آزمون جک نایف در مدل ماکزیمم آنتروپی اقدام گردید. نتیجه گیری : نتایج نشان داد که هر دومدل دارای قابلیت بسیار بالا در پیش بینی می باشند (دقت بالای 92 درصد).همچنین نتایج آزمون جک نایف نشان داد که درصد سوختگی و سطح سوختگی بالاترین اهمیت و وزن را در مرگ و زنده ماندن بیماران دارا می اشند. نتایج این دو مدل نشان داد که استفاده از این الگوریتم ها می تواند ابزار مناسبی برای پیش بینی فوت یا زنده ماندن بیماران سوختگی باشد.

کلیدواژه ها:

سوختگی شدید ، یادگیری ماشین ، شبکه عصبی ، ماکزیمم آنتروپی ، آزمون جک نایف