پیش بینی لخته شدن خون بند ناف پیش از جمع آوری با کمک الگوریتم های یادگیری ماشین پیشرفته

چکیده سابقه و هدف خون بند ناف منبع ارزشمندی از سلول های بنیادی است که در پیوند برای درمان بیماری های مختلف از جمله لوسمی، لنفوم و اختلالات ژنتیکی مورد استفاده قرار می گیرد. با این حال، لخته شدن خون بند ناف در فرآیند جمع آوری می تواند کیفیت نمونه را کاهش دهد و بر اثر بخشی آن در ذخیره سازی خون بند ناف در بانک‎ها تاثیر بگذارد. در این مقاله با استفاده از روش های پیشرفته یادگیری ماشین، لخته شدن خون بند ناف قبل از جمع آوری نمونه ها از اهداکنندگان پیش بینی شده است. مواد و روش ها در یک مطالعه گذشته نگر، تعداد ۹۲۸۱۲۷ نمونه از بانک خون بند ناف رویان از سال ۱۳۸۴ تا ۱۴۰۰ بررسی شدند. داده ها با استفاده از نمونه های موجود در بانک خون بند ناف رویان و با استفاده از الگوریتم های طبقه بندی یادگیری نظارت شده، از جمله درخت تصمیم، بیزین ساده، K- نزدیک ترین همسایه، ماشین بردار پشتیبان، جنگل تصادفی، طبقه بندی رای اکثریت و پرسپترون چند لایه برای پیش بینی لخته شدن خون بند ناف بر روی داده های بانک خون بند ناف رویان اجرا و عملکرد آن ها با استفاده از معیارهای ارزیابی دقت، صحت، بازخوانی و امتیاز F۱ مقایسه شد. یافته ها در این مطالعه دقت الگوریتم درخت تصمیم ۸۰/۰،  بیزین ساده ۶۳/۰، K- نزدیک ترین همسایه ۸۳/۰، ماشین بردار پشتیبان ۶۵/۰، جنگل تصادفی ۸۴/۰، طبقه بندی رای اکثریت ۸۱/۰ و پرسپترون چند لایه ۷۴/۰ اندازه گیری شده است. نتیجه گیری در این مطالعه عملکرد دو الگوریتم جنگل تصادفی و K- نزدیک ترین همسایه بهترین کارآیی را از خود نشان دادند و بیانگر آن است که می توان با کمک الگوریتم های یادگیری ماشین، با دقت بالایی بروز لخته پیش از زایمان را در نوزاد پیش بینی کرد و به کمک آن می توان از نمونه برداری نمونه های دارای لخته به منظور کاهش هزینه و مشکلات ذخیره سازی آن ها جلوگیری نمود.

کلیدواژه ها:

Stem Cells ، Machine Learning ، Umbilical Cord Blood ، Bioanformatics ، سلول های بنیادی ، یادگیری ماشین ، خون بند ناف ، بیوانفورماتیک