fa پیش بینی احتمال مرگ‌ومیر نوزادان نارس بستری در بخش مراقبت‌های ویژه نوزادان بیمارستان قائم با استفاده مدل شبکه عصبی مصنوعی کودکان children پژوهشي-کامل Research(Original) <p dir="RTL">سابقه و هدف: علی رغم پیشرفت سریع در درمان‌های طبی و تکنولوژی مراقبت‌های حاد طی 30 ساله اخیر در کنار افزایش هزینه‌های مراقبت‌های طبی، ‌آنالیز پیامدها از جمله پیش‌بینی خطر مرگ‌و‌میر از چالش‌های بخش‌های مراقبت ویژه بوده است. لذا هدف از مطالعه حاضر پیش‌بینی مرگ‌‌و‌‌میر نوزادان نارس بستری در <span dir="LTR">NICU</span> با استفاده از مدل شبکه عصبی مصنوعی است.</p> <p dir="RTL">مواد و روش‌ها: این مطالعه روی پرونده  نوزادان نارس با سن حاملگی کم تر از 37 هفته در بیمارستان قائم شهر طی سال های 1389-1386 با استفاده از نرم‌ابزار <span dir="LTR">MATLAB</span> انجام شد. 100 پرونده نوزاد نارس با استفاده از 21 متغیر، که 80 درصد برای آموزش شبکه عصبی مصنوعی و و 20 درصد برای آزمون مدل طراحی شده مورد استفاده قرار گرفت. برای جلوگیری از پراکندگی اطلاعات از سیستم کد‌بندی اطلاعات استفاده شد و از این کدها برای طراحی و آزمون مدل شبکه عصبی مصنوعی استفاده شد.</p> <p dir="RTL">یافته‌ها: به ازای 60 نورون و 20 تکرار، صحت به حد مطلوب خود (صحت 2/95در صد در مرحله آموزش و صحت 56/94 درصد در مرحله آزمایش) رسید. در صورتی که تعداد تکرار از این حد بیش‌تر می‌شد الگوریتم به سمت پدیده آموزش بیش از حد <span dir="LTR">(overtraining)</span> پیش می‌رفت.</p> <p dir="RTL">استنتاج: در اینجا روشی برای ایجاد مدل‌های <span dir="LTR">ANN</span> برای برآورد احتمال مرگ‌ومیر در نوزادان نارس با استفاده از 21 متغیر معرفی شد. این مدل می‌تواند بالقوه برای پیش‌بینی بسیاری دیگر از پیامدهای <span dir="LTR">NICU</span> مانند پیش‌بینی طول دوره تهویه مکانیکی وعوارضی چون ناهنجاری‌های موجود در تصویربرداری عصبی، انتروکولیت نکروزان و دیسپلازی برونکوپولمونر مورد استفاده قرار گیرد.</p> <p><strong>Background and purpose:</strong> Despite rapid progress in medical treatments and acute care technology during the past 30 years alongside increasing costs of medical care, the analysis of outcomes such as mortality risk have been a challenge in intensive care units. The purpose of this study was to predict the mortality rate of premature infants in neonatal intensive care unit (NICU) using artificial neural network model.</p> <p><strong>Materials and methods:</strong> This study was performed using the medical records of 100 preterm infants (less than 37 weeks gestation) in Mashhad Qaem Hospital, Iran, during 2007-2010 applying MATLAB. Twenty one variables were used of which 80% were for artificial neural network training and 20 percent were for testing the designed model. To prevent the dispersion of information we used information classification code system and the codes were used to design and test the artificial neural network model.</p> <p><strong>Results:</strong> Per 60 neurons and 20 replication optimum validity was obtained (95.2% in training and 94.56% in experimental stage). The replications were not continued more, since in this case the algorithm would have gone towards overtraining.</p> <p><strong>Conclusion:</strong> This study introduced a method for establishing ANN models in estimating the probability of mortality in premature infants using 21 variables. This model may be used for prediction of many other consequences in NICU such as mechanical ventilation duration and complications such as abnormalities in neuroimaging, necrotizing enterocolitis and bronchopulmonary dysplasia.</p> مرگ‌و‌میر, نوزاد نارس, بخش مراقبت‌های ویژه نوزادان, شبکه عصبی مصنوعی mortality, preterm infant, neonatal intensive care unit, artificial neural network 85 94 http://jmums.mazums.ac.ir/browse.php?a_code=A-10-29-435&slc_lang=fa&sid=1 Akram Rezaeian اکرم رضاییان 100319475328460084636 100319475328460084636 Yes Evidence Based Care Research Centre, Instructor of Pediatric Nursing, School of Nursing and Midwifery, Mashhad University of Medical Sciences, Mashhad, Iran کمیته تحقیقات مراقبت مبتنی بر شواهد،‌ مربی، گروه کودک و نوزاد، دانشکده پرستاری و مامایی، دانشگاه علوم پزشکی مشهد، مشهد، ایران Fatemeh Nasimi فاطمه نسیمی 100319475328460084637 100319475328460084637 No Instructor of Pediatric Nursing, School of Nursing and Allied Health, Jahrom University of Medical Sciences, Jahrom, Iran مربی، گروه کودک و نوزاد، دانشکده پرستاری و پیراپزشکی، دانشگاه علوم پزشکی جهرم، جهرم، ایران Farshid Pooralizadeh Moghadam فرشید پورعلیزاده مقدم Pouralizadeh.f@g.mail.com 100319475328460084638 100319475328460084638 No Ph.D Student in Electrical-Control Engeenering, Department of Kharazmi Pardise, Shahrood University of Technology, Shahrood, Iran دانشجوی دکترای حرفه ای مهندسی برق-کنترل، دانشکده پردیس خوارزمی، دانشگاه شاهرود، شاهرود، ایران