فهرست نشریات علمی دسترسی آزاد ایران

نارسایی قلبی (HF یا Heart Failure) یک اختلال قلبی با میزان مرگ و میر قابل توجه است که با استفاده از داده های رجیستری، میزان بقای بیماران قابل ارزیابی می باشد. هدف این پژوهش پیش بینی مرگ و میر 6 ماهه (6-MM) و 12 ماهه (12-MM) بیماران HF با استفاده از داده‌های رجیستری است که قبل از بستری شدن در بیمارستان، در طول مدت بستری و همچنین هنگام ترخیص جمع آوری شده‌اند. این مجموعه داده شامل 3968 رجیستری از بیماران HF می‌باشد که در دانشگاه علوم پزشکی اصفهان جمع آوری شده است. یکی از چالش های مربوط به دادگان رجیستری، نامتعادل بودن تعداد بیماران در قید حیات و فوت شده است. لذا در این تحقیق یک مدل تجمیعی از شبکه‌های عصبی پیچشی (CNN) برای پیش بینی وضعیت بقای بیماران پیشنهاد شده است. شبکه های عصبی پیچشی، کاربرد زیادی در شناسایی الگوها از روی تصاویر دارند اما در اینجا با یک بردار داده برای هر بیمار مواجه هستیم، به همین منظور از مزایای شبکه عصبی پیچشی نمی توان بهره برد. لذا در این تحقیق، یک تبدیل جدید بردار داده به تصویر با استفاده از نقشه‌های خود سازمان دهنده (SOM یا self-organizing maps) طراحی شده است. در ادامه روش پیشنهادی خود را با روش تبدیل داده به تصویر DeepInsight و همچنین با چندین طبقه بند‌ پایه که از داده‌های رجیستری HF به همراه نمونه برداری کاهشی استفاده می‌کنند، مقایسه کردیم. بر اساس نتایج، مدل پیشنهادی، با استفاده از SOM در تبدیل داده به تصویر، عملکرد بهتری نسبت به سایر روش‌ها دارد و به بالاترین میزان ناحیه زیر منحنی مشخصه عملکرد گیرنده (ROC) برای هر دو پیش ‌بینی 6-MM و 12-MM، به ترتیب با نرخ‌های 74.22% و 75.2% دست یافته است. بنابراین، مدل پیشنهادی به طور موثری وضعیت بقای بیماران HF را با استفاده از داده‌های رجیستری پیش‌ بینی می‌کند.