طراحي شبكه عصبي مصنوعي براي پيش‌بيني نتايج حاملگي در مادران باردار لوپوسي در ايران

Designing an artificial neural network for prediction of pregnancy outcomes in women with systemic lupus erythematosus in Iran

زمينه و هدف: لوپوس اريتماتوی سيستميك (SLE) بيماری خودايمنی چند سيستمی با تظاهرات متنوع و رفتار متغير می‌باشد. بارداری برای زنان با SLE به‌عنوان چالش مطرح است. مشاوره پيش از بارداری به دليل برآورد ريسك نتايج نامطلوب در مادر و جنين با استفاده از داده‌های مناسب ضروری است. هدف اين مطالعه، طراحی شبكه عصبی مصنوعی برای پيش‌بينی نتايج حاملگی در زنان باردار لوپوسی بود. روش بررسی: در اين بررسی گذشته‌نگر، 45 متغير تاثيرگذار در نتايج حاملگی زنان باردار لوپوسی شناسايی شده و پرونده‌های اين بيماران در بيمارستان شريعتی (104 بارداری) و يكی از مراكز خصوصی (45 بارداری) از سال 1360 تا 1392، در مرداد و شهريور ماه سال 1393 بررسی و متغيرهای مورد نظر استخراج گرديد. با استفاده از رگرسيون لاجستيك باينری در SPSS, ver. 20 (Chicago, IL, USA) متغيرهای تاثيرگذار در نتايج بارداری شناسايی شد. متغيرهای انتخابی به‌عنوان ورودی شبكه استفاده شد. شبكه پرسپترون چندلايه (Multi-layer Perceptron, MLP) پيش‌خور با الگوريتم پس انتشار گراديان توام مدرج در MATLAB, ver. R2013b (Natick, MA, USA) طراحی و مورد ارزيابی قرار گرفت. برای ارزيابی شبكه از ماتريس كانفيوژن استفاده شد. يافته‌ها: دوازده متغير كه 05/0>P داشتند به‌ عنوان متغيرهای تاثيرگذار، به همراه 4 متغير به‌نسبت تاثيرگذار با 1/0P<، برای پيش‌بينی نتايج حاملگی در بيماران لوپوسی با استفاده از رگرسيون لاجستيك شناسايی شد. از اين 16 متغير به‌ عنوان ورودی شبكه پرسپترون چند لايه استفاده گرديد. صحت، حساسيت و ويژگی بهترين شبكه عصبی طراحی شده در داده‌های تست به ترتيب 9/90%، 0/80%، 1/94% و در كل داده‌ها به ترتيب 3/97%، 5/93%، 0/99% بود. نتيجه‌گيری: با استفاده از فاكتورهای تاثيرگذار شناسايی شده در اين مطالعه و استفاده از شبكه پرسپترون چند لايه (MLP) برای پيش‌بينی سقط خودبه‌خودی جنين و نوزاد سالم، می‌توان به درستی، پيامد بارداری در زنان لوپوسی را پيش‌بينی نمود.

Background: Pregnancy in women with systemic lupus erythematosus (SLE) is still introduced as a major challenge. Consulting before pregnancy in these patients is essential in order to estimating the risk of undesirable maternal and fetal outcomes by using appropriate information. The purpose of this study was to develop an artificial neural network for prediction of pregnancy outcomes including spontaneous abortion and live birth in SLE. Methods: In a retrospective study, forty-five variables were identified as effective factors for prediction of pregnancy outcomes in systemic lupus erythematosus. Data of 104 pregnancies in women with systemic lupus erythematosus in Shariati Hospital and 45 pregnancies in a private specialized center in Tehran from 1982 to 2014 in August and September, 2014 were collected and analyzed. For feature selection, information of the 149 pregnancies was analyzed with a binary logistic regression model in SPSS software, version 20 (SPSS, Inc., Chicago, IL, USA). These selected variables were used for inputs of neural networks in MATLAB software, version R2013b (MathWorks Inc., Natick, MA, USA). A Multi-Layer Perceptron (MLP) network with scaled conjugate gradient (trainscg) back propagation learning algorithm has been designed and evaluated for this purpose. We used confusion matrix for evaluation. The accuracy, sensitivity and specificity were calculated from the confusion matrix. Results: Twelve features with P<0.05 and four features with P<0.1 were identified by using binary logistic regression as effective features. These sixteen features were used as input variables in artificial neural networks. The accuracy, sensitivity and specificity of the test data for the MLP network were 90.9%, 80.0%, and 94.1% respectively and for the total data were 97.3%, 93.5%, and 99.0% respectively. Conclusion: According to the results, we concluded that feed-forward Multi-Layer Perceptron (MLP) neural network with scaled conjugate gradient (trainscg) back propagation learning algorithm can help physicians to predict the pregnancy outcomes (spontaneous abortion and live birth) among pregnant women with lupus by using identified effective variables.