دوره 15، شماره 1 - ( زمستان 1404 1404 )
جلد 15 شماره 1 صفحات 0-0 |
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
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)
ساره رفعت مقام1 
، ندا جعفری*2 ، عزیزالله دهقان3 ، محمد روشن ضمیر4
، ندا جعفری*2 ، عزیزالله دهقان3 ، محمد روشن ضمیر4
1- دستیار تخصصی بیماریهای داخلی، گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی فسا، فسا، ایران
2- استادیار ریه، گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی فسا، فسا، ایران ،nedajafari.med@gmail.com
3- دانشیار اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی فسا، فسا، ایران
4- استادیار کامپیوتر، گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فسا، فسا، ایران
2- استادیار ریه، گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی فسا، فسا، ایران ،
3- دانشیار اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی فسا، فسا، ایران
4- استادیار کامپیوتر، گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فسا، فسا، ایران
چکیده: (27 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.
شمارهی مقاله: 1
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |