:: دوره 20، شماره 4 - ( دو ماهنامه طب جنوب 1396 ) ::
جلد 20 شماره 4 صفحات 339-348 برگشت به فهرست نسخه ها
تشخیص بهتر آپاندیسیت حاد با استفاده از هوش مصنوعی
میرمیکائیل میرحسینی* 1، رضا صفدری2، لیلا شاهمرادی2، مجتبی جواهرزاده3
1- گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ، triplex.mmm@gmail.com
2- گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
3- بخش جراحی عمومی، بیمارستان فوق تخصصی شهید مدرس، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران
چکیده:   (1207 مشاهده)
زمینه: آپاندیسیت حاد، شایع‌ترین علت مراجعۀ بیماران با دردهای شکمی به اورژانس بیمارستان‌ها و آپاندکتومی شایع‌ترین عمل جراحی اورژانس است. با وجود ابداع روش‌های گوناگون تشخیصی، میزان آپاندکتومی غیرضروری قابل توجه است. استفاده از روش‌های هوش مصنوعی و یادگیری ‌ماشینی می‌تواند فرآیند تشخیص و درمان را بهبود بخشد. در این پژوهش از سیستم ماشین‌بردار پشتیبان جهت کمک به تشخیص آپاندیسیت حاد با هدف افزایش صحت تشخیصی و کاهش میزان آپاندکتومی غیرضروری و پیامد های جراحی استفاده شد.
مواد و روش‌ها: طی پژوهشی توسعه‌ای، با مطالعۀ متون تخصصی بیماری‌های دستگاه گوارش، متغیرهای مؤثر تشخیصی گردآوری و در قالب چک لیست دسته‌بندی و توسط متخصصان ارزیابی شدند. 181 مورد از پروندۀ بیمارانی که طی سال 1394 در بیمارستان فوق تخصصی شهید مدرس عمل آپاندکتومی شده بودند، پایگاه داده را تشکیل دادند. سپس سیستم ماشین بردار پشتیبان با معماری‌های مختلف جهت تعیین بهترین عملکرد تشخیصی پیاده‌سازی و مقایسه گردید. از شاخص‌های حساسیت، صحت و مشخصه جهت ارزیابی استفاده شد.
یافته‌ها: خروجی به‌دست آمده از سیستم ماشین‌بردار دارای حساسیت، مشخصه و صحت 7/91 درصد، 2/96 درصد و 95 درصد بود که بیانگر عملکرد مناسب آن در تشخیص آپاندیسیت حاد است.
نتیجه‌گیری: با استناد به نتایج می‌توان گفت که استفاده از سیستم ماشین بردار پشتیبان طراحی شده در تشخیص آپاندیسیت حاد، با هدف تشخیص به‌ موقع، جلوگیری از آپاندکتومی غیرضروری، کاهش مدت بستری و هزینه‌های درمانی بیمار مؤثر خواهد بود.
واژه‌های کلیدی: آپاندیسیت، تشخیص، ماشین‌بردار پشتیبان، هوش مصنوعی، یادگیری ماشینی
متن کامل [PDF 573 kb]   (287 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: جراحی
دریافت: ۱۳۹۶/۶/۵ | پذیرش: ۱۳۹۶/۶/۵ | انتشار: ۱۳۹۶/۶/۵
فهرست منابع
1. Schwartz, Seymour I. Brunicardi F. Charles. Schwartz's principles of surgery. New York: McGraw-Hill, 2010.
2. Akbulut S, Ulku A, Senol A, Tas M, Yagmur Y. Left-sided appendicitis: Review of 95 published cases and a case report. World J Gastroenterol 2010; 28(44): 5598-602. [PubMed] [Google Scholar]
3. la'al M, Geranpayeh L, Khodadadi F, et al. Sonography versus the Alvarado Scoring System for the diagnosis of acute appendicitis. Tehran Univ Med J 2008; 66(6): 408-12. (Persian)
4. Ohle R, O'Reilly F, O'Brien KK, et al. The Alvarado score for predicting acute appendicitis: a systematic review. BMC Med 2011; 9: 139. [PubMed] [Google Scholar]
5. de Castro SMM, Ünlü C, Steller EP, et al. Evaluation of the appendicitis inflammatory response score for patients with acute appendicitis. World J Surg 2012; 36(7): 1540-5. [PubMed] [Google Scholar]
6. Andersson M, Andersson RE. The appendicitis inflammatory response score: a tool for the diagnosis of acute appendicitis that outperforms the Alvarado score. World J Surg 2008; 32(8): 1843-9. [PubMed] [Google Scholar]
7. Chong CF, Adi MI, Thien A, et al. Development of the RIPASA score: a new appendicitis scoring system for the diagnosis of acute appendicitis. Singapore Med J 2010; 51(3): 220-5. [PubMed] [Google Scholar]
8. Dey S, Mohanta PK, Baruah AK, et al. Alvarado scoring in acute appendicitis-a clinicopathological correlation. Indian J Surg 2010; 72(4): 290-3. [PubMed] [Google Scholar]
9. Weyant MJ, Eachempati SR, Maluccio MA, et al. Interpretation of computed tomography does not correlate with laboratory or pathologic findings in surgically confirmed acute appendicitis. Surgery 2000; 128(2): 145-52. [PubMed] [Google Scholar]
10. Flum DR, Koepsell T. The clinical and economic correlates of misdiagnosed appendicitis: nationwide analysis. Arch Surg 2002; 137(7): 799-804. [PubMed] [Google Scholar]
11. Flum DR, Morris A, Koepsell T, et al. Has misdiagnosis of appendicitis decreased over time? A population-based analysis. JAMA 2001; 286(14): 1748-53. [PubMed] [Google Scholar]
12. Shergill I, Arya M, Upile T, et al. Surgical emergencies in clinical practice. New York City: Springer, 2012, 20-23 [Google Scholar]
13. Pesonen E, Ohmann C, Eskelinen M, et al. Diagnosis of acute appendicitis in two databases. Evaluation of different neighborhoods with an LVQ neural network. Methods Inf Med 1998; 37(1): 59-63. [PubMed] [Google Scholar]
14. Prabhudesai SG, Gould S, Rekhraj S, et al. Artificial neural networks: useful aid in diagnosing acute appendicitis. World J Surg 2008; 32(2): 305-9. [PubMed] [Google Scholar]
15. Sakai S, Kobayashi K, Toyabe S, et al. Comparison of the levels of accuracy of an artificial neural network model and a logistic regression model for the diagnosis of acute appendicitis. J Med Syst 2007; 31(5): 357-64. [PubMed] [Google Scholar]
16. Ghaderzadeh M, Sadoughi F, Ketabat A. Designing a Clinical Decision Support System Based on Artificial Neural Network for Early Detection of Prostate Cancer and Differentiation from Benign Prostatic Hyperplasia. Health Inf Manage 2012; 9(4): 457-64. (Persian) [Google Scholar]
17. Akbarian M, Paydar Kh, Rostam Niakan Kalhori S, et al. Designing an artificial neural network for prediction of pregnancy outcomes in women with systemic lupus erythematosus in Iran. Tehran Univ Med J 2015; 73(4): 251-9. (Persian) [Google Scholar]
18. Widrow B, Rumelhard DE, Lehr MA. Neural networks: applications in industry, business and science. Commun ACM 1994; 73(3): 93-106. [Google Scholar]
19. Zyluk A, Ostrowski P. An analysis of factors influencing accuracy of the diagnosis of acute appendicitis. Pol przegl Chir 2011; 83(3): 135-43.
20. Hamrahi N, Tohidi N. Modelling the diagnosis of appendix disease using bayesian network. National congress of computer science and engineering. 2013 Feb. 19, Najaf Abad, Iran. Najaf Abad: Islamic azad university of Najaf Abad, 2013, 632-6. (Persian) [PubMed] [Google Scholar]
21. Huddar V, Rajan V, Bhattacharya S, et al. Predicting postoperative acute respiratory failure in critical care using nursing notes and physiological signals. 36th annual international conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 26-30 Aug. 2014 ,Chicago, IL, USA , 06 Nov 2014. [PubMed] [Google Scholar]
22. Park SY, Seo JS, Lee SC, et al. Application of an artificial intelligence method for diagnosing acute appendicitis: the support vector machine. In: Park HJJ, Stojmenovic I, Choi M, Xhafa F, editors. Future Information Technology: FutureTech 2013. Berlin, Heidelberg: Springer Berlin Heidelberg; 2014, 85-92. [Google Scholar]


XML   English Abstract   Print



دوره 20، شماره 4 - ( دو ماهنامه طب جنوب 1396 ) برگشت به فهرست نسخه ها