به کارگیری شبکه های فازی شواهدی به عنوان مدل پیش آگهی کم وزنی نوزاد هنگام تولد

نوزادان کم وزن در هنگام تولد، نوزادانی با وزن کمتر از ۲۵۰۰ گرم در هنگام تولد هستند. این نوزادان بیشتر از سایر نوزادن، در معرض خطرات مرگ و میر، ناهنجاری های مادرزادی، عقب ماندگی ذهنی و سایر اختلالات فیزیکی و عصبی هستند. حدود ۵/۱۵% از موالید در سطح دنیا، نوزادان با وزن کم در هنگام تولد هستند و کاهش این میزان از موالید به یک سوم مقدار فعلی، به عنوان یکی از اهداف برنامه یونیسف مطرح شده است. با توجه به موارد ذکر شده، پیش آگهی تولد این نوزادان، نقش مهمی در پیش گیری از وقوع آن دارد. به علاوه ، زمینه را برای تصمیم گیری های بالینی به موقع و موثر برای حفظ سلامت آنان فراهم می آورد. در این پژوهش، از شبکه های فازی شواهدی، به عنوان مدل پیش آگهی تولد نوزادان با وزن کم هنگام تولد، استفاده شد  این شبکه ها با استفاده از منطق فازی و تئوری شواهد، قابلیت مدیریت وجوه مختلف عدم قطعیت را دارند. نتایج به دست آمده از به کارگیری شبکه های فازی شواهدی و سایر مدل های پرکاربرد در این زمینه، مانند درخت تصمیم گیری، ماشین بردار پشتیبان و مدل بیز ساده و...، روی پایگاه داده مربوط به سه بیمارستان شهر تهران، نشان داد که شبکه فازی شواهدی با صحت ۸۴.۸% ، عملکرد بهتری از سایر مدل ها دارد. در رویکردی دیگر، ترکیب نتایج شبکه فازی شواهدی با مدل بیز ساده، به افزایش صحت پیش آگهی به ۸۵.۲ % منجر شد. علاوه بر این، توانایی این شبکه ها در برخورد با داده های گمشده، به عنوان یکی از چالش های رایج در مجموعه داده های پزشکی، بررسی شد. شبکه فازی شواهدی، بهترین عملکرد را در مدیریت عدم قطعیت ناشی از جا نهی داده های گمشده در مقایسه با سایر مدل ها، از خود نشان داد و عملکرد آن با افزایش متغیرهای گمشده در هر نمونه، با افت کمتری از سایر روش ها روبرو شد.

کلیدواژه ها:

وزن کم هنگام تولد ، مدل پیش آگهی ، شبکه های فازی شواهدی ، داده های گمشده ، جا نهی ، مدیریت عدم قطعیت