سابقه و هدف: روش‌های سنتی تشخیص افتراقی فقرآهن و بتا‌تالاسمی‌ مینور با استفاده از CBC دارای دقت کافی نیستند و آزمایشات تکمیلی نظیر الکتروفورز هموگلوبین زما­ن­بر و پرهزینه هستند. هدف این مطالعه معرفی روش‌های دقیق‌تر و کم‌هزینه­تر مبتنی بر هوش مصنوعی بود.

روش بررسی: در این پژوهش، تعداد 510 نمونه CBC  از چندین مرکز غربالگری تالاسمی واقع در شمال ایران جمع‌آوری شدند که تعداد نمونه‌های مربوط به فقرآهن، تالاسمی مینور و نرمال به ترتیب برابر با 167، 132 و 211 بود. نمونه‌های به دست آمده توسط روش‌های مبتنی بر هوش مصنوعی شامل  سیستم استنتاج فازی‌عصبی (ANFIS) و پرسپترون چندلایه (MLP)،  با روش تعیین اعتبار Cross Validation   مورد ارزیابی قرار گرفتندکه در هر مرحله نتایج با روش‌های سنتی مبتنی بر روابط ریاضی مقایسه شدند.

یافته ­ها: شاخص‌های حساسیت (SENS)، ویژگی (SPEC)، ارزش اخباری مثبت (PPV)، ارزش اخباری منفی (NPV) ، دقت (ACC) و شاخص یدون (YI)  برای کلیه روش‌ها در هر مرحله از Cross Validation به دست آمدند. آزمون آمازی t روی شاخص‌های مذکور نشان داد که بین روش‌های ANFIS  و MLP  تفاوت معنی‌داری وجود ندارد (05/0>p). همچنین تفاوت معنی‌داری بین روش‌های ریاضی وجود نداشت(05/0>p). اما مقایسه روش‌های مبتنی بر هوش مصنوعی با روش‌های ریاضی نشان داد که بین آنها اختلاف معنی‌داری وجود دارد(05/0>p).

نتیجه­گیری استفاده از روش‌های مبتنی بر هوش مصنوعی، به عنوان ابزاری در دست متخصصان، می‌تواند در تشخیص‌های افتراقی بیماری‌هایی که دارای شباهت زیادی هستند، افزایش دقت قابل توجهی را ممکن سازد.

واژگان کلیدی: فقرآهن، ‌تالاسمی مینور، سیستم استنتاج عصبی‌فازی تطبیقی، پرسپترون چندلایه،  شمارش کامل خون.