Medical Sciences Journal of Islamic Azad University

fa تعیین اعتبار مقایسه‌ای روش‌های مبتنی بر هوش مصنوعی و روابط ریاضی در تشخیص کم‌خونی ناشی از فقرآهن و ‌تالاسمی در مراکز غربالگری شمال ایران در Cross validation of artificial intelligence and mathematical relationships in the diagnosis of iron deficiency anemia and thalassemia in screening centers of northern Iran in 2014 انفورماتيك پزشكي Medical Informatic تحليلي/مقطعي/توصيفي Survey/Cross Sectional/Descriptive 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. Background: Traditional methods for discrimination iron deficiency anemia (IDA) and β-thalassemia trait (BTT), which using CBC indices, are not accurate enough and complementary tests such as Hb electrophoresis are time consuming and expensive. In this study, we introduced the methods with higher accuracy. Materials and methods: In this study, 510 CBC samples were collected from several screening centers in north of Iran. The number of samples associated with IDA, BTT, and normal subjects were 167, 132, and 211, respectively. The collected samples were used to establish the methods, adaptive neuro fuzzy inference system (ANFIS) and multi-layer perceptron (MLP), through the use of 10-Fold cross validation. In each step of cross validation mathematical methods such as MI, E&FI, S&BI, S&LI, G&KI, EI and SI were investigated by the test samples. Results: Several indices, such as sensitivity (SENS), specificity (SPEC), positive predictive value (PPV), negative predictive value (NPV), accuracy (ACC), and Youden’s index (YI), have been obtained for the all mentioned methods in each step of Cross Validation. T test showed that the ANFIS and the MLP had not difference (p<0.05). The mathematical methods had not difference (p<0.05), but there was difference between AI-based and Math-based methods (p<0.05). Conclusion: This study indicates that using artificial intelligence as medical diagnostic tools can help the physicians in discrimination between similar diseases and also it increases accuracy in difficult cases. Keywords: Iron deficiency anemia, Thalassemia trait, Adaptive neuro-fuzzy inference system, Multi-layer perceptron, Complete blood count. فقرآهن, ‌تالاسمی مینور, سیستم استنتاج عصبی‌فازی تطبیقی, پرسپترون چندلایه, شمارش کامل خون Iron deficiency anemia, Thalassemia trait, Adaptive neuro-fuzzy inference system, Multi-layer perceptron, Complete blood count. 46 52 http://tmuj.iautmu.ac.ir/browse.php?a_code=A-10-1-483&slc_lang=fa&sid=1 Mehrzad Khaki Jamei مهرزاد خاکی جامعی khaki.mehrzad@gmail.com 10031947532846006090 10031947532846006090 Yes گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد ساری Khadijeh Mirzaei Talarposhti خدیجه میرزایی تالارپشتی 10031947532846006091 10031947532846006091 No گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد ساری