fa تشخیص بهتر آپاندیسیت حاد با استفاده از هوش مصنوعی جراحی Surgery پژوهشي Original <div style="text-align: justify;"><strong><u><span style="font-family:b lotus;"><span style="font-size:11.0pt;">زمینه:</span></span></u></strong> <strong><span style="font-family:b lotus;"><span style="font-size:10.0pt;">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.</span></span></strong><br> <strong><u><span style="letter-spacing:-.2pt;"><span style="font-family:b lotus;"><span style="font-size:11.0pt;">مواد و روش‌ها</span></span></span></u></strong><strong><u><span dir="LTR" style="letter-spacing:-.2pt;"><span style="font-family:times new roman bold,serif;"><span style="font-size:11.0pt;">:</span></span></span></u></strong> <strong><span style="letter-spacing:-.2pt;"><span style="font-family:b lotus;"><span style="font-size:10.0pt;">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.</span></span></span></strong><br> <strong><u><span style="font-family:b lotus;"><span style="font-size:11.0pt;">یافته‌ها:</span></span></u></strong> <strong><span style="font-family:b lotus;"><span style="font-size:10.0pt;">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.</span></span></strong><br> <strong><u><span style="font-family:b lotus;"><span style="font-size:11.0pt;">نتیجه‌گیری:</span></span></u></strong> <strong><span style="font-family:b lotus;"><span style="font-size:10.0pt;">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.</span></span></strong></div> <div style="text-align: justify;"><strong><u>Background</u></strong><strong><u>:</u></strong> 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.<br> <strong><u>Materials and Methods:</u></strong> 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.<span dir="RTL"></span><br> <strong><u>Results</u></strong>: 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.<strong><span dir="RTL"></span></strong><br> <strong><u>Conclusion</u></strong>: 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&#39;s length of stay in the hospital and decreasing health care costs.<span dir="RTL"></span><br> &nbsp;</div> آپاندیسیت, تشخیص, ماشین‌بردار پشتیبان, هوش مصنوعی, یادگیری ماشینی Appendicitis, diagnosis, support vector machine, artificial intelligence, machine learning. 339 348 http://ismj.bpums.ac.ir/browse.php?a_code=A-10-1-5&slc_lang=fa&sid=1 Mir Mekaeal Hosseini میرمیکائیل میرحسینی triplex.mmm@gmail.com 5700319475328460010048 5700319475328460010048 Yes Medical Informatics Department, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Reza Safdari رضا صفدری 5700319475328460010049 5700319475328460010049 No Medical Informatics Department, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Lila Shahmoradi لیلا شاهمرادی 5700319475328460010050 5700319475328460010050 No Medical Informatics Department, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Mojtaba Javaherzadeh مجتبی جواهرزاده 5700319475328460010051 5700319475328460010051 No General Surgery Department, Shahid Modarres Hospital, Shahid Behehsti Medical University, Tehran, Iran بخش جراحی عمومی، بیمارستان فوق تخصصی شهید مدرس، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران