نوع مقاله : مقاله پژوهشی

نویسندگان

• رضا صفدری ¹
• لیلا شاهمرادی ²
• مجتبی جواهر زاده ³
• میرمیکائیل میرحسینی ⁴

¹ استاد، مدیریت اطلاعات سلامت، گروه انفورماتیک پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران

² استادیار، مدیریت اطلاعات سلامت، گروه انفورماتیک پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران

³ دانشیار، جراحی‌ عمومی و جراحی توراکس، بیمارستان شهید مدرس، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران

⁴ دانشجوی کارشناسی‌ ارشد، انفورماتیک پزشکی، گروه انفورماتیک پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران

چکیده

مقدمه: آپاندیسیت ‌حاد، شایع‌ترین علت مراجعه بیماران با دردهای شکمی به اورژانس بیمارستان‌ها و آپاندکتومی، شایع‌ترین عمل جراحی اورژانس می‌باشد. با وجود پیشرفت‌های چشمگیر در تشخیص این بیماری، آپاندکتومی منفی همچنان میزان قابل توجهی را به خود اختصاص داده است. در پژوهش حاضر، شبکه عصبی ‌مصنوعی جهت کمک به تشخیص آپاندیسیت ‌حاد طراحی و ارزیابی گردید.روش بررسی: این مطالعه به صورت توصیفی انجام شد و در ابتدا ویژگی‌های مؤثر تشخیصی، با مطالعه متون تخصصی و منابع مربوط جمع‌آوری شد. سپس در قالب چک‌لیست دسته‌بندی و توسط متخصصان جراحی عمومی ارزیابی و اولویت‌بندی گردید. حجم نمونه تعیین‌ شده جهت آموزش و ارزیابی عملکرد شبکه عصبی، 181 مورد انتخاب شد. پایگاه داده با استفاده از پرونده بیمارانی که طی سال 1394 در بیمارستان شهید مدرس تهران آپاندکتومی شده‌ بودند، جمع‌آوری گردید. سپس معماری‌های مختلف از شبکه ‌عصبی ‌مصنوعی پرسپترون چندلایه MLP (Multilayer perceptron) جهت تعیین بهینه‌ترین عملکرد تشخیصی در نرم‌افزار MATLAB پیاده‌سازی و مقایسه گردید. برای ارزیابی شبکه نیز شاخص‌های مشخصه، حساسیت و صحت مورد استفاده قرار گرفت.یافته‌ها: بر اساس مقایسه بهینه‌ترین خروجی MLP با نتایج پاتولوژی، حساسیت، مشخصه و صحت به ترتیب 8/68، 0/82 و 5/78 درصد گزارش گردید. بر اساس استانداردهای موجود و طبق نظر متخصصان جراحی عمومی و مقایسه با نتایج پاتولوژی، یافته‌ها بیانگر بهبود صحت تشخیصی در مورد آپاندیسیت حاد بود.نتیجه‌گیری: MLP طراحی ‌شده می‌تواند عملکرد فرد متخصص را با دقت قابل قبولی مدل کند. استفاده از شبکه مذکور در سیستم‌های تصمیم‌یار‌ بالینی تشخیص آپاندیسیت حاد، با هدف کاهش ارجاعات منفی به مراکز درمانی، تشخیص به موقع، جلوگیری از آپاندکتومی منفی، کاهش مدت بستری بیمار و هزینه‌های درمانی مفید خواهد بود.

کلیدواژه‌ها

• آپاندیسیت
• هوش مصنوعی
• تشخیص
• شبکه‌های عصبی (رایانه)

عنوان مقاله [English]

The Use of Multilayer Perceptron Artificial Neural Network in Diagnosis of Acute Appendicitis

نویسندگان [English]

• Reza Safdari ¹
• Leila Shahmoradi ²
• Mojtaba Javaherzadeh ³
• Mirmikail Mirhosseini ⁴

¹ Professor, Health Information Management, Department of Medical Informatics, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran

² Assistant Professor, Health Information Management, Department of Medical Informatics, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran

³ Associate Professor, General Surgery and Thoracic Surgery, Modarres Hospital, Shahid Beheshti University of Medical Sciences, Tehran, Iran

⁴ MSc Student, Medical Informatics, Department of Medical Informatics, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran

چکیده [English]

Introduction: Acute appendicitis is the most common cause of admittance of patients with abdominal pain to hospital and appendectomy is the most commonly performed emergency surgery. Despite significant advances in the field of diagnosis, a significant number of negative appendectomies are reported. In this study, the design and evaluation of artificial neural networks to help diagnose acute appendicitis was investigated.Methods: In this descriptive study, variables affecting the diagnosis were identified through literature review. Then, these variables were categorized in the form of a checklist, and evaluated and prioritized by general surgery specialists. The sample size was determined as 181 cases to train and evaluate the performance of neural networks. The database was created using records of patients who had undergone appendectomy during 2015 in Modarres Hospital, Tehran, Iran. Then, different architectures of artificial multilayer perceptron (MLP) neural network were implemented and compared in MATLAB environment to determine the optimal diagnostic performance. Parameters such as specificity, sensitivity, and accuracy were used for network assessment.Results: Comparison of the optimal output of the MLP with pathological results showed that the sensitivity, specificity, and accuracy of the diagnosis network were 68.8%, 82%, and 78.5%, respectively. Based on the existing standards and the general surgeons’ opinions, the MLP network improved diagnostic accuracy for acute appendicitis.Conclusion: The designed MLP can model the performance of an expert with acceptable accuracy. The use of this MLP in clinical decision support systems can be useful in the reduction of negative references to medical centers, timely diagnosis, prevention of negative appendectomy, reduction of the duration of hospitalization, and reduction of medical expenses.

کلیدواژه‌ها [English]

• Appendicitis
• Artificial Intelligence
• Diagnosis
• Neural Networks (Computer)