Alborz University Medical Journal

fa ارزیابی و مقایسه عملکرد مدل‌های یادگیری ماشین در پیش‌بینی شاخص‌های اسپیرومتری مبتنی بر ویژگی‌های فردی در شهرستان فسا Evaluation and comparison of machine learning models in predicting spirometric indices based on individual characteristics in Fasa county تخصصي Special پژوهشي Research 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. Introduction: Chronic respiratory diseases impose a significant burden on public health, and accurate prediction of spirometric indices based on individual characteristics can be effective in the diagnosis and management of these conditions. The aim of this study was to evaluate and compare the performance of machine learning models in predicting spirometric indices based on individual features in the population of Fasa County. Methods: This cross-sectional observational study was conducted on 5,450 individuals who visited pulmonary clinics between the spring of 2024 and the autumn of 2025. After excluding incomplete data, 4,615 eligible participants were included in the final analysis. Individual characteristics included age, sex, height, weight, and smoking status. Spirometric indices included FVC, FEV1, FEV1/FVC, FEF25–75, and PEF. Five machine learning algorithms—Linear Regression, K-Nearest Neighbors, Support Vector Machine, Random Forest, and Gradient Boosting—were evaluated using mean squared error (MSE), root mean squared error (RMSE), and coefficient of determination (R²). The relative importance of individual features was analyzed using the feature_importances output of the Gradient Boosting model. In this study, all ethical principles were observed, and the ethics code IR.FUMS.REC.1404.174 was obtained. Results: The Gradient Boosting model demonstrated the lowest error rates and the highest R² values across all spirometric indices, indicating superior performance compared to the other models. Age, height, and weight had the greatest influence on the predictions, whereas sex and smoking status had a relatively lower impact. Conclusion: The Gradient Boosting model is capable of identifying nonlinear relationships and complex interactions between individual characteristics and spirometric indices. This study indicates that the use of machine learning can be beneficial for developing localized predictive models and improving the interpretation of spirometry results in native populations. یادگیری ماشین, شاخص‌های اسپیرومتری, ویژگی‌های فردی, شهرستان فسا. Machine Learning, Spirometric Indices, Individual Characteristics, Fasa County. 1 16 http://aums.abzums.ac.ir/browse.php?a_code=A-10-1562-2&slc_lang=fa&sid=1 Sareh Rafatmagham ساره رفعت مقام r.sareh2012@gmail.com 100319475328460014683 100319475328460014683 No Department of Internal Medicine, School of Medicine, Fasa University of Medical Sciences, Fasa, Iran گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی فسا، فسا، ایران Neda Jafari ندا جعفری nedajafari.med@gmail.com 100319475328460014684 100319475328460014684 Yes Department of Internal Medicine, School of Medicine, Fasa University of Medical Sciences, Fasa, Iran گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی فسا، فسا، ایران Azizollah Dehghan عزیزالله دهقان dehghanaz@gmail.com 100319475328460014685 100319475328460014685 No School of Health, Fasa University of Medical Sciences, Fasa, Iran دانشکده بهداشت، دانشگاه علوم پزشکی فسا، فسا، ایران Mohammad Roshanzamir محمد روشن ضمیر roshanzamir@fasau.ac.ir 100319475328460014686 100319475328460014686 No Department of Computer Engineering, School of Engineering, Fasa University, Fasa, Iran گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فسا، فسا، ایران