سيستم خبره فازي تشخيص مننژيت باكتريال از ساير انواع مننژيت در كودكان

Fuzzy Expert System for Diagnosis of Bacterial Meningitis from Other Types of Meningitis in Children

مننژيت باكتريال نياز به تشخيص و درمان به موقع دارد. در غير اين صورت ميزان مرگ و مـير و عوارض نسـبتاً زيادي دارد. در مراحل اوليه بيماري، افتراق مننژيت باكتريال كه خطرناك ترين نوع مننژيت محسوب مي شود از انواع بي خطر آن امري پيچيده و با خطاي بالايي همراه است. از اين رو در اين پژوهش با استفاده از منطق فازي، سيستم خبره اي ارائه شده كه مننژيت باكتريال را از انواع ديگر مننژيت افتراق مي دهد.روش: در سيستم خبره ارائه شده از دو موتور استنتاج فازي (تشخيص مننژيت باكتريال و پيشنهاد lp مجدد)،استفاده مي كند. در هر دو موتور استنتاج از مدل ممداني با مشخصه هاي max_min به عنوان عملگرهاي and _or و روش مركز جرم براي غيرفازيسازي، استفاده شده است.نتايج: زيرسيستم استنتاج تشخيص مننژيت باكتريال با استفاده از اطلاعات 106 بيمار مبتلا به مننژيت، ارزيابي شد. صحت، حساسيت و دقت سيستم به ترتيب 92، 100 و 89 درصد بود. سطح زير منحني roc 0/947 و ضريب كاپا توافق 0/83 ( p<0.001) بين تشخيص سيستم و تشخيص پزشك را نشان مي دهد. زير سيستم پيشنهاد lp مجدد نيز توسط اطلاعات 75 بيمار مبتلا به مننژيت غير باكتريال، ارزيبي شد. صحت ،حساسيت و دقت سيستم به ترتيب 96،100 و 95 درصد بود. سطح زير منحني roc 0/96 و ضريب كاپا توافق0/87 (p<0.001) بين تشخيص سيستم و تشخيص پزشك را نشان مي دهد.نتيجه گيري: با توجه به پيچيدگي تشخيص مننژيت باكتريال و اهميت تشخيص به موقع و نيز نتايج مطلوب حاصل از به كارگيري و ارزيابي سيستم خبره پيشنهادي، اين سيستم مي تواند در تشخيص و افتراق مننژيت حاد باكتريال از ساير مننژيت ها مفيد باشد، اما لازم مطالعات بيشتر با داده ها متنوع تر و بيشتري براي ارزيابي بهتر و تاًييد سيستم، انجام شود.

Introduction: Bacterial meningitis requires timely diagnosis and treatment; otherwise it will have relatively high complications and mortality and morbidity. In the early stages of the disease distinguishing between bacterial meningitis that it is most dangerous type and other type is so complicated and inaccurate. Hence in this study a fuzzy expert system for distinguish bacterial meningitis from other kind of meningitis in children is presented. Method: In the proposed fuzzy system, two fuzzy inference engines (The diagnosis of bacterial meningitis and the proposed new LP) were used. Mamdani model was used in both fuzzy inference engines using Max-Min as AND-OR operators and Centroid method was used as defuzzification technique. Results: The first fuzzy inference engine was evaluated using data obtained from 106 patients’ records admitted with meningitis. Accuracy, sensitivity, and precision of the system in terms of bacterial meningitis diagnosis were 91%, 100% and 89% respectively. The ROC curve was used to show system performance graphically and the area under the ROC curve was 0.947. To measure agreement of system results with the physician diagnosis, Kappa statistics was employed and showed a high relation (K=0.79, P<0.001). Extracted data from 75 cases with non-bacterial meningitis were used to evaluate the second inference engine and accuracy, sensitivity, and precision of this system were 96%, 100%, and 95% respectively, and the area under the ROC curve was 0.96 and Kappa statistic showed a very high agreement between the system output with physician diagnosis (K=0.87,P<0/001). Conclusion: According to the complexity and importance of early diagnosis of bacterial meningitis, and favorable results of the implementation and evaluation of the suggested expert system, therefore this system can be useful for detecting and differentiating acute bacterial meningitis of other meningitis, but more studies must be performed for better assessment and verification of system.