فهرست نشریات علمی دسترسی آزاد ایران

مقدمه: فرزندآوری و جوان‌سازی جامعه، از چالش‌های جدی دنیای امروزی است. سندرم تخمدان پلی‌کیستیک (PCOS) که با چاقی مرتبط می‌باشد، به یک نگرانی رایج برای باروری تبدیل شده است. تشخیص زودهنگام PCOS می‌تواند روند درمانی و کیفیت زندگی خانواده را بهبود بخشد. مطالعه حاضر با هدف اولیه آموزش مدل‌های یادگیری ماشین با داده‌های نشانگرهای هورمونی و سندرم متابولیک برای شناسایی PCOS و سپس ارائه راهکارهای تمرینات ورزشی در زنان نابارور انجام شد. روش‌کار: داده ­های 1000 زن نابارور 45-20 ساله مبتلا و غیرمبتلا به PCOS تحت پردازش اولیه قرار گرفت و در نهایت داده‌های 500 نفر، به روش ­های مختلف مانند جنگل تصادفی (RF)، حذف بازگشتی ویژگی (RFE) و اطلاعات متقابل (MI)، ویژگی ­های مهم انتخاب و وارد الگوریتم ­های مختلف شد. یافته­ ها: آموزش مدل درخت تصمیم (DT) با انتخاب ویژگی به روش RF، بالاترین دقت را در تشخیص نسبت به سایرین داشت. همچنین با توجه به نتایج، انتخاب ویژگی به روش RFE، MI و RF نشان داد که علاوه بر هورمون­ های جنسی، قند ناشتا، کلسترول، لیپوپروتئین با چگالی بالا، ویتامین D3 و هورمون ­های مرتبط با تیروئید، عوامل برجسته‌ای هستند که در پیش‌بینی با دقت بالای PCOS نقش دارند. نتیجه ­گیری: تشخیص PCOS و بررسی اهمیت بیومارکرهای مرتبط با آن با هوش مصنوعی نشان داد، شاخص‌های متابولیکی نیز در کنار هورمون‌های جنسی از اهمیت ویژه‌ای در تشخیص و درمان این بیماری برخوردار می‌باشند.