پديد آورندگان :
ميرحسيني، ميرميكائيل دانشگاه علوم پزشكي تهران - دانشكده پيراپزشكي , صفدري، رضا دانشگاه علوم پزشكي تهران - دانشكده پيراپزشكي , شاهمرادي، ليلا دانشگاه علوم پزشكي تهران - دانشكده پيراپزشكي , جواهرزاده، مجتبي دانشگاه علوم پزشكي شهيد بهشتي
كليدواژه :
يادگيري ماشيني , هوش مصنوعي , ماشين‌بردار پشتيبان , تشخيص , آپانديسيت
چكيده فارسي :
زمينه: آپانديسيت حاد، شايع‌ترين علت مراجعۀ بيماران با دردهاي شكمي به اورژانس بيمارستان‌ها و آپاندكتومي شايع‌ترين عمل جراحي اورژانس است. با وجود ابداع روش‌هاي گوناگون تشخيصي، ميزان آپاندكتومي غيرضروري قابل توجه است. استفاده از روش‌هاي هوش مصنوعي و يادگيري ماشيني مي‌تواند فرآيند تشخيص و درمان را بهبود بخشد. در اين پژوهش از سيستم ماشين‌بردار پشتيبان جهت كمك به تشخيص آپانديسيت حاد با هدف افزايش صحت تشخيصي و كاهش ميزان آپاندكتومي غيرضروري و پيامد هاي جراحي استفاده شد.
مواد و روش‌ها: طي پژوهشي توسعه‌اي، با مطالعۀ متون تخصصي بيماري‌هاي دستگاه گوارش، متغيرهاي مؤثر تشخيصي گردآوري و در قالب چك ليست دسته‌بندي و توسط متخصصان ارزيابي شدند. 181 مورد از پروندۀ بيماراني كه طي سال 1394 در بيمارستان فوق تخصصي شهيد مدرس عمل آپاندكتومي شده بودند، پايگاه داده را تشكيل دادند. سپس سيستم ماشين بردار پشتيبان با معماري‌هاي مختلف جهت تعيين بهترين عملكرد تشخيصي پياده‌سازي و مقايسه گرديد. از شاخص‌هاي حساسيت، صحت و مشخصه جهت ارزيابي استفاده شد.
يافته‌ها: خروجي به‌دست آمده از سيستم ماشين‌بردار داراي حساسيت، مشخصه و صحت 7/91 درصد، 2/96 درصد و 95 درصد بود كه بيانگر عملكرد مناسب آن در تشخيص آپانديسيت حاد است.
نتيجه‌گيري: با استناد به نتايج مي‌توان گفت كه استفاده از سيستم ماشين بردار پشتيبان طراحي شده در تشخيص آپانديسيت حاد، با هدف تشخيص به موقع، جلوگيري از آپاندكتومي غيرضروري، كاهش مدت بستري و هزينه‌هاي درماني بيمار مؤثر خواهد بود.
چكيده لاتين :
Background: Acute appendicitis is the most common cause for the referral of patients with abdominal pains to the emergency department of hospitals and appendectomy is the most common medical emergency operation. Despite the introduction of the various diagnostic methods, exorbitant appendectomy rate still is significant. Therefore, artificial intelligence and machine learning methods could be used as an adjunct tool to improve the diagnosis and treatment of acute appendicitis. Particularly, it can facilitate earlier and more accurate diagnosis, reduce the length of stay in the hospital and decrease the treatment costs.
Materials and Methods: During this developmental research, literature, and resources related to gastrointestinal diseases were studied, variables contributing to the diagnosis were evaluated and categorized by surgeons. The data collected from 181 cases of patients who underwent appendectomy at the Modarres Hospital during 2015 were used as the research database. Then, the support vector machine systems with different architectures implemented and compared to determine the best diagnostic function. Sensitivity, accuracy, and specificity outcomes were used for verification, evaluation, and defining the optimal diagnostic function.
Results: The output obtained from the system of vector machine indicated 91.7, 96.2, and 95 percent for sensitivity, specificity, and accuracy of respectively, which expresses its sufficient efficiency in detecting acute appendicitis.
Conclusion: The results showed that designed support vector machine could be used for the diagnosis of acute appendicitis, resulting in timely detection of acute appendicitis, prevention of unnecessary appendectomy, reduction in patient's length of stay in the hospital and decreasing health care costs.
