دوره 15، شماره 1 - ( زمستان 1404 1404 )
جلد 15 شماره 1 صفحات 16-1 |
برگشت به فهرست نسخه ها
Ethics code: IR.FUMS.REC.1404.174
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rafatmagham S, Jafari N, Dehghan A, Roshanzamir M. Evaluation and comparison of machine learning models in predicting spirometric indices based on individual characteristics in Fasa county. aumj 2026; 15 (1) :1-16
URL: http://aums.abzums.ac.ir/article-1-1983-fa.html
URL: http://aums.abzums.ac.ir/article-1-1983-fa.html
رفعت مقام ساره، جعفری ندا، دهقان عزیزالله، روشن ضمیر محمد. ارزیابی و مقایسه عملکرد مدلهای یادگیری ماشین در پیشبینی شاخصهای اسپیرومتری مبتنی بر ویژگیهای فردی در شهرستان فسا. نشریه علمی پژوهشی دانشگاه علوم پزشکی البرز. 1404; 15 (1) :1-16
ساره رفعت مقام1 
، ندا جعفری*2 
، عزیزالله دهقان3 ، محمد روشن ضمیر4
، ندا جعفری*2 ، عزیزالله دهقان3 ، محمد روشن ضمیر4
1- گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی فسا، فسا، ایران
2- گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی فسا، فسا، ایران ،nedajafari.med@gmail.com
3- دانشکده بهداشت، دانشگاه علوم پزشکی فسا، فسا، ایران
4- گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فسا، فسا، ایران
2- گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی فسا، فسا، ایران ،
3- دانشکده بهداشت، دانشگاه علوم پزشکی فسا، فسا، ایران
4- گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فسا، فسا، ایران
چکیده: (1612 مشاهده)
مقدمه: بیماریهای تنفسی مزمن بار بالایی بر سلامت جامعه دارد و پیشبینی دقیق شاخصهای اسپیرومتری با استفاده از ویژگیهای فردی میتواند در تشخیص و مدیریت این بیماریها مؤثر باشد. هدف این مطالعه، ارزیابی و مقایسه عملکرد مدلهای یادگیری ماشین در پیشبینی شاخصهای اسپیرومتری بر اساس ویژگیهای فردی در جمعیت شهرستان فسا است.
روش کار: این مطالعه مشاهدهای مقطعی از ۵۴۵۰ مراجعهکننده به مطب ریه در بازه بهار ۱۴۰۳ تا پاییز ۱۴۰۴، پس از حذف دادههای ناقص، ۴۶۱۵ فرد واجد شرایط وارد تحلیل نهایی شد. ویژگیهای فردی شامل سن، جنسیت، قد، وزن و وضعیت سیگاری بودن بود و شاخصهای اسپیرومتری نیز شامل FVC، FEV1، FEV1/FVC،FEF25-75 و PEF بود. همچنین، پنج الگوریتم یادگیری ماشین شامل رگرسیون خطی، الگوریتم کی- نزدیکترین همسایه، ماشین بردار پشتیبان، جنگل تصادفی و تقویت گرادیان بر اساس معیارهای MSE، RMSE و R² ارزیابی شدند. اهمیت نسبی ویژگیها نیز با خروجی feature_importances مدل تقویت گرادیان تحلیل شد.
یافتهها: مدل تقویت گرادیان در تمامی شاخصهای اسپیرومتری کمترین خطا و بیشترین ضریب تعیین را داشت و عملکرد برتری نسبت به سایر مدلها نشان داد. سن، قد و وزن بیشترین تأثیر را بر پیشبینی شاخصها داشت، درحالیکه جنسیت و وضعیت سیگاری بودن تأثیر کمتری داشت.
نتیجهگیری: مدل تقویت گرادیان قادر است روابط غیرخطی و تعاملات پیچیده بین ویژگیهای فردی و شاخصهای اسپیرومتری را شناسایی کند. این مطالعه نشان میدهد که استفاده از یادگیری ماشین میتواند در ایجاد مدلهای پیشبینی محلی و بهبود تفسیر نتایج اسپیرومتری در جمعیتهای بومی مفید باشد.
روش کار: این مطالعه مشاهدهای مقطعی از ۵۴۵۰ مراجعهکننده به مطب ریه در بازه بهار ۱۴۰۳ تا پاییز ۱۴۰۴، پس از حذف دادههای ناقص، ۴۶۱۵ فرد واجد شرایط وارد تحلیل نهایی شد. ویژگیهای فردی شامل سن، جنسیت، قد، وزن و وضعیت سیگاری بودن بود و شاخصهای اسپیرومتری نیز شامل FVC، FEV1، FEV1/FVC،FEF25-75 و PEF بود. همچنین، پنج الگوریتم یادگیری ماشین شامل رگرسیون خطی، الگوریتم کی- نزدیکترین همسایه، ماشین بردار پشتیبان، جنگل تصادفی و تقویت گرادیان بر اساس معیارهای MSE، RMSE و R² ارزیابی شدند. اهمیت نسبی ویژگیها نیز با خروجی feature_importances مدل تقویت گرادیان تحلیل شد.
یافتهها: مدل تقویت گرادیان در تمامی شاخصهای اسپیرومتری کمترین خطا و بیشترین ضریب تعیین را داشت و عملکرد برتری نسبت به سایر مدلها نشان داد. سن، قد و وزن بیشترین تأثیر را بر پیشبینی شاخصها داشت، درحالیکه جنسیت و وضعیت سیگاری بودن تأثیر کمتری داشت.
نتیجهگیری: مدل تقویت گرادیان قادر است روابط غیرخطی و تعاملات پیچیده بین ویژگیهای فردی و شاخصهای اسپیرومتری را شناسایی کند. این مطالعه نشان میدهد که استفاده از یادگیری ماشین میتواند در ایجاد مدلهای پیشبینی محلی و بهبود تفسیر نتایج اسپیرومتری در جمعیتهای بومی مفید باشد.
فهرست منابع
1. World Health Organization. (2024). Chronic obstructive pulmonary disease (COPD). https://www.who.int/news-room/fact-sheets/detail/chronic-obstructive-pulmonary-disease-(copd)
2. Pellegrino, R., Viegi, G., Brusasco, V., Crapo, R. O., Burgos, F., Casaburi, R., … Wanger, J. (2005). Interpretative strategies for lung function tests. European Respiratory Journal, 26(5), 948-968. [DOI:10.1183/09031936.05.00035205]
3. Miller, M. R., Hankinson, J., Brusasco, V., Burgos, F., Casaburi, R., Coates, A., … Wanger, J. (2005). Standardisation of spirometry. European Respiratory Journal, 26(2), 319-338. [DOI:10.1183/09031936.05.00034805]
4. Knudson, R. J., Slatin, R. C., Lebowitz, M. D., & Burrows, B. (1976). The maximal expiratory flow‐volume curve: Normal standards, variability, and effects of age, smoking, and body size. American Review of Respiratory Disease, 113(5), 587-600.
5. Sharma, G., & Goodwin, J. (2016). Effect of aging physiology on respiratory function and performance. Comprehensive Physiology, 6(4), 1603-1631.
6. Crapo, R. O., Morris, A. H., & Gardner, R. M. (1981). Reference spirometric values using techniques and equipment that meet ATS recommendations. American Review of Respiratory Disease, 123(6), 659-664.
7. Zapletal, A., Samanek, M., & Paul, T. (1987). Lung function in children and adolescents: Methods and reference values. Progress in Respiration Research, 22, 83-112. [DOI:10.1159/isbn.978-3-318-04125-5]
8. Quanjer, P. H., Stanojevic, S., Cole, T. J., Baur, X., Hall, G. L., Culver, B. H., … Stocks, J. (2012). Multi-ethnic reference values for spirometry for the 3-95-year age range: The global lung function 2012 equations. European Respiratory Journal, 40(6), 1324-1343. [DOI:10.1183/09031936.00080312]
9. Jones, R. L., & Nzekwu, M. M. (2006). The effects of body mass index on lung volumes. Chest, 130(3), 827-833. [DOI:10.1378/chest.130.3.827]
10. McClean, K. M., Kee, F., Young, I. S., & Elborn, J. S. (2008). Obesity and the lung: Epidemiology. Thorax, 63(7), 649-654. [DOI:10.1136/thx.2007.086801]
11. Janoff, A. (1985). Elastase in tissue injury. Annual Review of Physiology, 47(1), 545-558. [DOI:10.1146/annurev.physiol.47.1.545]
12. Berg, K., & Wright, J. L. (2016). The pathology of chronic obstructive pulmonary disease: Progress in the 20th and 21st centuries. Archives of Pathology & Laboratory Medicine, 140(12), 1423-1428. [DOI:10.5858/arpa.2015-0455-RS]
13. Martin, R. R., Lindsay, D., Despas, P., Bruce, D., Leroux, M., Anthonisen, N. R., & Macklem, P. T. (1975). The early detection of airway obstruction. American Review of Respiratory Disease, 111(2), 119-125.
14. Quanjer, P. H., Tammeling, G. J., Cotes, J. E., Pedersen, O. F., Peslin, R., & Yernault, J. C. (1993). Lung volumes and forced ventilatory flows. European Respiratory Journal, 6(Suppl. 16), 5-40. [DOI:10.1183/09041950.005s1693]
15. Doll, R., & Peto, R. (1976). Mortality in relation to smoking: 20 years' observations on male British doctors. British Medical Journal, 2(6012), 1525-1536. [DOI:10.1136/bmj.2.6051.1525]
16. Loeloe, M. S., Sefidkar, R., Tabatabaei, S. M., Mehrparvar, A. H., & Jambarsang, S. (2025). Machine learning-based spirometry reference values for the Iranian population: A cross-sectional study from the Shahedieh PERSIAN cohort. Frontiers in Medicine, 12, 1480931. [DOI:10.3389/fmed.2025.1480931]
17. Golshan, M., Nematbakhsh, M., Amra, B., & Crapo, R. O. (2003). Spirometric reference values in a large Middle Eastern population. European Respiratory Journal, 22(3), 529-534. [DOI:10.1183/09031936.03.00003603]
18. Razi, E., Mousavi, S. G. A., & Akbari, H. (2005). Spirometric standards for healthy Iranians dwelling in the centre of Iran. Tanaffos, 4(4), 19-26.
19. Etemadinezhad, S., & Alizadeh, A. (2011). Spirometric reference values for healthy adults in Mazandaran Province, Iran. Jornal Brasileiro de Pneumologia, 37(5), 615-620. [DOI:10.1590/S1806-37132011000500008]
20. Aloosh, O., Torkashvand, M., Torkashvand, A., & Mohammadi, N. (2022). Evaluation of spirometric values in a healthy population referred to spirometry centers in Hamedan City, Iran. Journal of the Iranian Medical Council, 5(4), 661-667. [DOI:10.18502/jimc.v5i4.11339]
21. Taloba, A. I., & Matoog, R. T. (2025). Detecting respiratory diseases using machine learning-based pattern recognition on spirometry data. Alexandria Engineering Journal, 113, 44-59. [DOI:10.1016/j.aej.2024.11.009]
22. Helgeson, S. A., Quicksall, Z. S., Johnson, P. W., Lim, K. G., Carter, R. E., & Lee, A. S. (2025). [Article in JMIR AI].
23. Fatahi, M. (2015). Support vector machines: A survey (Master's thesis/Doctoral dissertation). Razi University.
24. Huang, S., Cai, N., Pacheco, P. P., Narrandes, S., Wang, Y., & Xu, W. (2018). Applications of support vector machine (SVM) learning in cancer genomics. Cancer Genomics & Proteomics, 15(1), 41-45. [DOI:10.21873/cgp.20063]
25. Chen, H., Li, X., Feng, Z., Wang, L., Qin, Y., Skibniewski, M. J., et al. (2023). Shield attitude prediction based on Bayesian-LGBM machine learning. Information Sciences, 632, 105-129. [DOI:10.1016/j.ins.2023.03.004]
26. Shahrabi, J., & Zare, A. (2013). Data mining with Clementine. Tehran: Academic Jihad Press.
27. Liu, Y., Wang, Y., & Zhang, J. (2012). New machine learning algorithm: Random forest. In Proceedings of ICICA 2012 (pp. 246-252). [DOI:10.1007/978-3-642-34062-8_32]
28. Sahebi, L., Rahimi, B., Shariat, M., et al. (2022). Normal spirometry prediction equations for the Iranian population. BMC Pulmonary Medicine, 22, 472. [DOI:10.1186/s12890-022-02273-8]
29. Sadiq, S., Rizvi, N. A., Soleja, F. K., & Abbasi, M. (2019). Factors affecting spirometry reference range in growing children. Pakistan Journal of Medical Sciences, 35(6), 1587-1591. [DOI:10.12669/pjms.35.6.1212]
30. Alqarni, A. A., Aldhahir, A. M., Siraj, R. A., Alqahtani, J. S., Alshehri, H. H., Alshamrani, A. M., et al. (2023). Prevalence of overweight and obesity and their impact on spirometry parameters in patients with asthma: A multicentre retrospective study. Journal of Clinical Medicine, 12(5), 1843. [DOI:10.3390/jcm12051843]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
