جلد 21، شماره 2 - ( تابستان 1403 )
جلد 21 شماره 2 صفحات 159-151 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Esmaielpour A, Ameli M, Mozdgir A, Ahmadi O, Zarabi M. Predicting pre-collection umbilical cord blood clotting using advanced machine learning algorithms. Sci J Iran Blood Transfus Organ 2024; 21 (2) :151-159
URL: http://bloodjournal.ir/article-1-1520-fa.html
URL: http://bloodjournal.ir/article-1-1520-fa.html
اسمعیل پور امیر حسین، عاملی مریم، مزدگیر اشکان، احمدی ارد، ضرابی مرتضی. پیش‌بینی لخته شدن خون بند ناف پیش از جمع‌آوری با کمک الگوریتم‌های یادگیری ماشین پیشرفته. فصلنامه پژوهشی خون. 1403; 21 (2) :151-159
استادیار گروه مهندسی صنایع ـ دانشکده فنی و مهندسی دانشگاه خوارزمی
چکیده: (928 مشاهده)
چکیده
سابقه و هدف
خون بند ناف منبع ارزشمندی از سلول‌های بنیادی است که در پیوند برای درمان بیماری‌های مختلف از جمله لوسمی، لنفوم و اختلالات ژنتیکی مورد استفاده قرار می‌گیرد. با این حال، لخته شدن خون بند ناف در فرآیند جمع‌آوری می‌تواند کیفیت نمونه را کاهش دهد و بر اثر بخشی آن در ذخیره‌سازی خون بند ناف در بانکها تأثیر بگذارد. در این مقاله با استفاده از روش‌های پیشرفته یادگیری ماشین، لخته‌شدن خون بند ناف قبل از جمع‌آوری نمونه‌ها از اهداکنندگان پیش‌بینی شده است.
مواد و روش‌ها
در یک مطالعه گذشته‌نگر، تعداد 928127 نمونه از بانک خون بند ناف رویان از سال 1384 تا 1400 بررسی شدند. داده‌ها با استفاده از نمونه‌های موجود در بانک خون بند ناف رویان و با استفاده از الگوریتم‌های طبقه‌بندی یادگیری نظارت شده، از جمله درخت تصمیم، بیزین ساده، K- نزدیک‌ترین همسایه، ماشین‌بردار پشتیبان، جنگل تصادفی، طبقه‌بندی رأی اکثریت و پرسپترون چند لایه برای پیش‌بینی لخته‌شدن خون بند ناف بر روی داده‌های بانک خون بند ناف رویان اجرا و عملکرد آن‌ها با استفاده از معیارهای ارزیابی دقت، صحت، بازخوانی و امتیاز F1 مقایسه شد.
یافته‌ها
در این مطالعه دقت الگوریتم درخت تصمیم 80/0، بیزین ساده 63/0، K- نزدیک‌ترین همسایه 83/0، ماشین‌بردار پشتیبان 65/0، جنگل تصادفی 84/0، طبقه‌بندی رأی اکثریت 81/0 و پرسپترون چند لایه 74/0 اندازه‌گیری شده است.
نتیجه گیری
در این مطالعه عملکرد دو الگوریتم جنگل تصادفی و K- نزدیک‌ترین همسایه بهترین کارآیی را از خود نشان دادند و بیانگر آن است که می‌توان با کمک الگوریتم‌های یادگیری ماشین، با دقت بالایی بروز لخته پیش از زایمان را در نوزاد پیش‌بینی کرد و به کمک آن می‌توان از نمونه‌برداری نمونه‌های دارای لخته به منظور کاهش هزینه و مشکلات ذخیره‌سازی آن‌ها جلوگیری نمود.
سابقه و هدف
خون بند ناف منبع ارزشمندی از سلول‌های بنیادی است که در پیوند برای درمان بیماری‌های مختلف از جمله لوسمی، لنفوم و اختلالات ژنتیکی مورد استفاده قرار می‌گیرد. با این حال، لخته شدن خون بند ناف در فرآیند جمع‌آوری می‌تواند کیفیت نمونه را کاهش دهد و بر اثر بخشی آن در ذخیره‌سازی خون بند ناف در بانکها تأثیر بگذارد. در این مقاله با استفاده از روش‌های پیشرفته یادگیری ماشین، لخته‌شدن خون بند ناف قبل از جمع‌آوری نمونه‌ها از اهداکنندگان پیش‌بینی شده است.
مواد و روش‌ها
در یک مطالعه گذشته‌نگر، تعداد 928127 نمونه از بانک خون بند ناف رویان از سال 1384 تا 1400 بررسی شدند. داده‌ها با استفاده از نمونه‌های موجود در بانک خون بند ناف رویان و با استفاده از الگوریتم‌های طبقه‌بندی یادگیری نظارت شده، از جمله درخت تصمیم، بیزین ساده، K- نزدیک‌ترین همسایه، ماشین‌بردار پشتیبان، جنگل تصادفی، طبقه‌بندی رأی اکثریت و پرسپترون چند لایه برای پیش‌بینی لخته‌شدن خون بند ناف بر روی داده‌های بانک خون بند ناف رویان اجرا و عملکرد آن‌ها با استفاده از معیارهای ارزیابی دقت، صحت، بازخوانی و امتیاز F1 مقایسه شد.
یافته‌ها
در این مطالعه دقت الگوریتم درخت تصمیم 80/0، بیزین ساده 63/0، K- نزدیک‌ترین همسایه 83/0، ماشین‌بردار پشتیبان 65/0، جنگل تصادفی 84/0، طبقه‌بندی رأی اکثریت 81/0 و پرسپترون چند لایه 74/0 اندازه‌گیری شده است.
نتیجه گیری
در این مطالعه عملکرد دو الگوریتم جنگل تصادفی و K- نزدیک‌ترین همسایه بهترین کارآیی را از خود نشان دادند و بیانگر آن است که می‌توان با کمک الگوریتم‌های یادگیری ماشین، با دقت بالایی بروز لخته پیش از زایمان را در نوزاد پیش‌بینی کرد و به کمک آن می‌توان از نمونه‌برداری نمونه‌های دارای لخته به منظور کاهش هزینه و مشکلات ذخیره‌سازی آن‌ها جلوگیری نمود.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
