Feyz Medical Sciences Journal

fa پیش بینی عارضه آنسفالوپاتی کبدی در بیماران پیوند کبد با استفاده از‎ الگوریتم ماشین بردار پشتیبان در زنان میانسال فعال Prediction of hepatic encephalopathy complication in liver transplant patients using support vector machine algorithm in active middle-aged women medicine, paraclinic medicine, paraclinic پژوهشي Research <div style="text-align: justify;">زمینه و هدف: در بیماران پیوند کبد، بروز عوارض بعد از عمل، زمان بستری و مراقبت بیماران را طولانی‌تر و هزینه‌های درمان را افزایش می‌دهد. هدف از این مطالعه پیش بینی عارضه آنسفالوپاتی کبدی در بیماران پیوند کبد با استفاده از&lrm; الگوریتم ماشین بردار پشتیبان در زنان میانسال فعال بود. روش‌ها: جامعه آماری شامل 652 بیمار بودند که از بین آنها، 165 زن میانسال فعال دارای علائم آنسفالوپاتی که طی سال‌های 1380-1401 پیوند کبد انجام داده بودند به صورت در دسترس وارد مطالعه شدند. از الگوریتم ماشین بردار پشتیبان برای پیش بینی عارضه آنسفالوپاتی کبدی در بیماران پیوند کبدی و از نرم افزار<a> مطلب </a>برای تجزیه و تحلیل داده‌ها استفاده شد. یافته‌ها: با استفاده از 14 ویژگی مربوط به اطلاعات آزمایشگاهی، آنتروپومتری و سبک زندگی آزمودنی‌ها، الگوریتم&lrm; ماشین بردار پشتیبان، می‌تواند با دقت 81/2 درصد و صحت 74/6 درصد افراد با و بدون عارضه آنسفالوپاتی کبدی را پیش بینی کند. نتیجه‌گیری: با توجه به دقت&lrm; الگوریتم ماشین بردار پشتیبان روی داده&lrm;ها&lrm;‌، به نظر می&lrm;‌رسد این سیستم بتواند با دقت بالا و با صرف کمترین هزینه پزشکان را&lrm; در پیش بینی خطر عارضه آنسفالوپاتی کبدی بعد از پیوند، یاری نماید. سیستم&lrm;ها&lrm;‌ی پشتیبانی تصمیم گیری مبتنی بر کامپیوتر می&lrm;‌توانند تصمیمات بالینی ضعیف را کاهش دهند و همچنین هزینه&lrm;ها&lrm;‌ی مربوط به آزمایش&lrm;ها&lrm;‌ی بالینی غیرضروری را به حداقل رسانند. </div> <div style="text-align: justify;">Background and Aim: In liver transplant patients, the occurrence of postoperative complications increases the length of hospitalization, care of patients and the costs of treatment. The aim of this study was to predict the complications of hepatic encephalopathy in liver transplant patients using the support vector machine (SVM) algorithm in active middle-aged women. Methods: The statistical population included 652 patients, among them, 165 active middle-aged women with encephalopathy symptoms who underwent liver transplantation during 2011-2022 were included. SVM algorithm was used to predict the complications of hepatic encephalopathy in liver transplant patients and MATLAB software was used for data analysis. Results: Using 14 features related to laboratory, anthropometry and lifestyle data, the SVM algorithm can predict people with and without hepatic encephalopathy complications with 81.2% accuracy and 74.6% precision. Conclusion: According to the accuracy of the SVM algorithm on the data, it seems that this system may help physicians predict the risk of hepatic encephalopathy complications after transplantation with high accuracy and the lowest cost. Computer-based decision support systems can reduce poor clinical decisions and also minimize costs associated with unnecessary clinical trials.</div> پیوند کبد, آنسفالوپاتی,‎ الگوریتم ماشین بردار پشتیبان, زنان میانسال Liver transplantation, Encephalopathy, Support vector machine algorithm, Middle-aged wome 559 565 http://feyz.kaums.ac.ir/browse.php?a_code=A-10-3956-3&slc_lang=fa&sid=1 Bakhtyar Tartibian بختیار ترتیبیان ba.tartibian@gmail.com 2900319475328460043694 2900319475328460043694 Yes Department of Exercise Physiology, Faculty of Physical Education and Sport Sciences, Allameh Tabataba'i University, Tehran, Iran گروه فیزیولوژی ورزشی، دانشکده تربیت بدنی و علوم ورزشی، دانشگاه علامه طباطبائی، تهران، ایران Leila Fasihi لیلا فصیحی fasihi73@gmail.com 2900319475328460043695 2900319475328460043695 No Department of Physical Education and Sport Sciences, Faculty of Humanities, Tarbiat Modares University, Tehran, Iran گروه تربیت بدنی و علوم ورزشی، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران Rasoul Eslami رسول اسلامی eslami.rasooul@gmail.com 2900319475328460043696 2900319475328460043696 No Department of Exercise Physiology, Faculty of Physical Education and Sport Sciences, Allameh Tabataba'i University, Tehran, Iran گروه تربیت بدنی و علوم ورزشی، دانشکده تربیت بدنی و علوم ورزشی، دانشگاه علامه طباطبائی، تهران، ایران Ahmad Fasihi احمد فصیحی ahmad.fasihi44@gmail.com 2900319475328460043697 2900319475328460043697 No Department of Physical Education and Sport Sciences, Faculty of Literature and Humanities, Malayer University, Malayer, Iran گروه تربیت بدنی و علوم ورزشی، دانشکده ادبیات و علوم انسانی، دانشگاه ملایر، ملایر، ایران