فهرست نشریات علمی دسترسی آزاد ایران

مقدمه و اهداف آرتروز زانو یکی از شایع‌ترین بیماری‌های اسکلتی-عضلانی است که با افزایش سن، احتمال بروز آن افزایش می‌یابد. ارزیابی دقیق شدت آرتروز و شناسایی عوامل مرتبط ازجمله ضخامت فضای مفصل، زوایای راستای مفصل و همگرایی با آن می‌تواند به تشخیص زودهنگام و بهبود روند درمان کمک کند. هدف اصلی این پژوهش، تحلیل آماری و پیش‌بینی شدت آرتروز زانو از طریق داده‌های بیومکانیکی و بالینی با استفاده از روش‌های یادگیری ماشین می‌باشد.مواد و روش‌ها این پژوهش به‌صورت پیگیری‌محور بر روی ۲۹۷ بیمار با میانگین سنی 66/5 سال که حداقل 2 سال علائم درد زانو داشتند، انجام شد. تصاویر رادیوگرافی به روش استاندارد خم‌شده-ثابت و خلفی-قدامی تهیه شد و مرزهای استخوانی با استفاده از نرم‌افزار بون‌فایندر مبتنی بر مدل جنگل تصادفی استخراج گردید. سپس متغیرهای بیومکانیکی شامل ضخامت فضای مفصل، زاویه راستای مفصل و زاویه همگرایی، با استفاده از نرم‌افزار اودیا (مبتنی بر برنامه‌نویسی متلب) اندازه‌گیری شدند. ارتباط شدت آرتروز از داده‌های بیومکانیکی و بالینی ازجمله جنسیت، وزن، قد، شاخص توده بدنی و سن در این مطالعه صورت گرفت. از روش‌های یادگیری ماشین شامل نزدیک‌ترین همسایه، شبکه عصبی مصنوعی، کت‌بوست-باینری و کت‌بوست-چندمتغیره همراه با مدل‌های کلاسه‌بندی جنگل تصادفی و باینری در تحلیل آماری جهت یافتن ارتباط بین این متغیرها با شدت آرتروز استفاده شد. همچنین، برای تحلیل داده‌ها از رگرسیون آماری و ضریب همبستگی پیرسون استفاده شد.یافته‌ها نتایج نشان داد حداقل ضخامت فضای مفصل، راستای مفصل، زاویه همگرایی و وزن تأثیر معناداری بر پیشرفت آرتروز دارند. مدل کت‌بوست باینری با دقت ۸۲ درصد و مدل کت‌بوست چندمتغیره با دقت ۶۰ درصد و حساسیت ۷۳ درصد، عملکرد بهتری در تحلیل متغیرهای بیومکانیکی و تشخیص آرتروز خفیف از خود نشان دادند. براساس نتایج، دقت کلی 54 درصد کلاسه‌بندی جنگل تصادفی در چارچوب مدل کت‌بوست، عملکرد بهتری در تحلیل پارامترهای بالینی نسبت به سایر مدل‌ها داشت.نتیجه‌گیری مجموعه این نتایج نشان می‌دهد مدل‌های یادگیری ماشین، به‌ویژه کت‌بوست، می‌توانند ابزارهای قدرتمند و مؤثری برای تحلیل آماری و پیش‌بینی پیشرفت آرتروز زانو باشند. عملکرد بالای این مدل‌ها در پردازش پارامترهای بیومکانیکی، کاربرد آن‌ها را در طراحی سیستم‌های تشخیص یاری‌رسان مبتنی بر تصویر و ارتقای ابزارهای تصمیم‌یار در کلینیک‌های ارتوپدی توجیه می‌کند.