fa 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 تخصصي Special كاربردي Applicable 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.<br> روش‌ها: داده های 7000 زن بارور و نابارور مبتلا و غیر مبتلا به سندرم تخمدان پُلی‌کیستیک&nbsp; 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.<br> 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.<br> 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.<br> &nbsp; Background: Polycystic ovary syndrome (PCOS) is associated with metabolic, hormonal, and genetic disorders. The lack of defined biomarkers makes diagnosis difficult. High-accuracy hybrid models enable early diagnosis. The aim of the present study is to train a hybrid model with metabolic and reproductive indicators for early diagnosis and provide healthy lifestyle strategies.<br> Methods: Data from 7000 fertile and infertile women and those without PCOS were processed, and then a dataset of 550 women was prepared, and 7, 10 and 15 subsets of important features were selected using random forest (RF) and were used to train hybrid models Voting classifier, LG, SVC, XGBoost.<br> Results: After selecting three groups of important features and training the models, the Voting classifier model could diagnose PCOS with an accuracy of over 95%. Anti-Mullerian (AMH) is considered an important diagnostic tool. In addition, sex hormones and markers such as fasting glucose, total cholesterol, high-density lipoprotein cholesterol, vitamin D3, and thyroid hormones can be used for early diagnosis of this syndrome.<br> Conclusion: It is possible to identify polycystic ovary syndrome using machine learning models without expensive high-precision tests, which will help doctors and clinicians make informed decisions and reduce harmful messages.<br> &nbsp; تشخیص سندرم تخمدان پُلی‌کیستیک, مدل‌های هیبریدی آموزش ماشین, سبک سالم زندگی, فعالیت بدنی منظم Polycystic ovary syndrome diagnosis, Hybrid machine learning models, Healthy lifestyle, Regular physical activity 77 88 http://ijdld.tums.ac.ir/browse.php?a_code=A-10-2292-1&slc_lang=fa&sid=1 zahra Arab Taheri Zadeh زهرا عرب طاهری 0000-0001-9466-5756 No Department of Exercise Physiology, Faculty of Physical Education, University of Mazandaran, Babolsar, Iran گروه فیزیولوژی ورزشی، دانشکدۀ تربیت بدنی، دانشگاه مازندران، بابلسر، ایران Valiollah Dabidi Roshan ولی الله دبیدی روشن v.dabidi@umz.ac.ir 0000-0002-2202-7349 Yes Department of Exercise Physiology, Faculty of Physical Education, University of Mazandaran, Babolsar, Iran گروه فیزیولوژی ورزشی، دانشکدۀ تربیت بدنی، دانشگاه مازندران، بابلسر، ایران Tayebeh Gharaei طیبه قرایی 0000-0001-8156-0760 No Faculty of Nursing and Midwifery, Iran University of Medical Sciences, Tehran, Iran دانشکدۀ پرستاری و مامایی، دانشگاه علوم پزشکی ایران، تهران، ایران