دوره 26، شماره 1 - ( 2-1405 )
جلد 26 شماره 1 صفحات 88-77 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Arab Taheri Zadeh Z, Dabidi Roshan V, Gharaei T. The Artificial Intelligence Extended Hybrid Model Based on Metabolic and Fertility Data for Early Diagnosing Polycystic Ovary Syndrome in Iranian Fertile and Infertile Women and Providing Healthy Lifestyle Recommendations. ijdld 2026; 26 (1) :77-88
URL: http://ijdld.tums.ac.ir/article-1-6464-fa.html
URL: http://ijdld.tums.ac.ir/article-1-6464-fa.html
عرب طاهری زهرا، دبیدی روشن ولی الله، قرایی طیبه. مدل هوش مصنوعی ترکیبی بهبود یافته برای تشخیص زودهنگام سندرم تخمدان پُلیکیستیک زنان بارور و نابارور ایرانی براساس دادههای متابولیک و تولید مثلی و ارائه توصیههای سبک سالم زندگی. مجله دیابت و متابولیسم ایران. 1405; 26 (1) :77-88
1- گروه فیزیولوژی ورزشی، دانشکدۀ تربیت بدنی، دانشگاه مازندران، بابلسر، ایران
2- گروه فیزیولوژی ورزشی، دانشکدۀ تربیت بدنی، دانشگاه مازندران، بابلسر، ایران & مرکز تحقیقات سلامت و عملکرد ورزشی، دانشکده تربیت بدنی، دانشگاه مازندران، بابلسر، ایران ،v.dabidi@umz.ac.ir
3- دانشکدۀ پرستاری و مامایی، دانشگاه علوم پزشکی ایران، تهران، ایران
2- گروه فیزیولوژی ورزشی، دانشکدۀ تربیت بدنی، دانشگاه مازندران، بابلسر، ایران & مرکز تحقیقات سلامت و عملکرد ورزشی، دانشکده تربیت بدنی، دانشگاه مازندران، بابلسر، ایران ،
3- دانشکدۀ پرستاری و مامایی، دانشگاه علوم پزشکی ایران، تهران، ایران
چکیده: (69 مشاهده)
مقدمه: سندرم تخمدان پُلیکیستیک (PCOS) با اختلالات متابولیکی، هورمونی و ژنتیکی همراه است. فقدان بیومارکرهای تعریف شده، امکان تشخیص را دشوار میکند. مدلهای ترکیبی با دقت بالا امکان تشخیص زودهنگام را فراهم میکند. هدف مطالعۀ حاضر آموزش مدل به روش ترکیبی با شاخصهای متابولیک و تولیدمثلی برای تشخیص زودهنگام و ارائۀ راهکارهای سبک زندگی سالم است.
روشها: داده های 7000 زن بارور و نابارور مبتلا و غیر مبتلا به سندرم تخمدان پُلیکیستیک پردازش و سپس دیتاستی از 550 زن تهیه و با استفاده از جنگل تصادفی (RF) گروه 7 تایی، 10 تایی و 15 تایی از مهمترین ویژگیها انتخاب و برای آموزش مدلهای ترکیبیVoting classifier, LG, SVC, XGBoost استفاده شد.
یافتهها: پس از انتخاب سه گروه از مهمترین ویژگیها و آموزش مدلها، مدل یادگیری جمعی به روش اکثریت آرا با دقت بالای 95 درصد توانست سندرم تخمدان پُلیکیستیک را تشخیص دهد. هورمون آنتی مولرین (AMH) بهعنوان یک ابزار تشخیصی مهم تلقی میشود. بهعلاوه، از هورمونهای جنسی و شاخصهایی نظیر قند ناشتا، کلسترول تام، کلسترول لیپوپروتئین پُرچگال، ویتامین د3 و هورمونهای تیروئیدی میتوان برای تشخیص زودهنگام این سندرم استفاده نمود.
نتیجهگیری: شناسایی اولیه سندرم تخمدان پُلیکیستیک از طریق مدلهای یادگیری ماشین بدون آزمایشهای گرانقیمت با دقت بالا امکانپذیر است که به پزشکان و بیماران کمک میکند تا تصمیمات آگاهانهتری بگیرند و پیامدهای مضر درازمدت آن را کاهش دهند.
روشها: داده های 7000 زن بارور و نابارور مبتلا و غیر مبتلا به سندرم تخمدان پُلیکیستیک پردازش و سپس دیتاستی از 550 زن تهیه و با استفاده از جنگل تصادفی (RF) گروه 7 تایی، 10 تایی و 15 تایی از مهمترین ویژگیها انتخاب و برای آموزش مدلهای ترکیبیVoting classifier, LG, SVC, XGBoost استفاده شد.
یافتهها: پس از انتخاب سه گروه از مهمترین ویژگیها و آموزش مدلها، مدل یادگیری جمعی به روش اکثریت آرا با دقت بالای 95 درصد توانست سندرم تخمدان پُلیکیستیک را تشخیص دهد. هورمون آنتی مولرین (AMH) بهعنوان یک ابزار تشخیصی مهم تلقی میشود. بهعلاوه، از هورمونهای جنسی و شاخصهایی نظیر قند ناشتا، کلسترول تام، کلسترول لیپوپروتئین پُرچگال، ویتامین د3 و هورمونهای تیروئیدی میتوان برای تشخیص زودهنگام این سندرم استفاده نمود.
نتیجهگیری: شناسایی اولیه سندرم تخمدان پُلیکیستیک از طریق مدلهای یادگیری ماشین بدون آزمایشهای گرانقیمت با دقت بالا امکانپذیر است که به پزشکان و بیماران کمک میکند تا تصمیمات آگاهانهتری بگیرند و پیامدهای مضر درازمدت آن را کاهش دهند.
واژههای کلیدی: تشخیص سندرم تخمدان پُلیکیستیک، مدلهای هیبریدی آموزش ماشین، سبک سالم زندگی، فعالیت بدنی منظم
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
