fa طراحی و پیاده‌سازی یک سیستم هوشمند فازی جهت پیش‌بینی درصد موارد مرگ و میر بیماران تروما در بخش مراقبت‌های ویژه هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare كاربردي Applicable <div style="text-align: justify;"><span style="font-family:Tahoma;"><strong><span style="color:black;">مقدمه:</span></strong><span style="color:black;"> بخش </span><span dir="LTR"><span style="color:black;"><span style="font-size:11.0pt;">ICU</span></span></span> <span style="color:black;">بیمارستان یکی از بخش‌های پر هزینه در بخش سلامت ملی می‌باشد. این هزینه‌ها تا حد زیادی به مدت اقامت بیمار وابسته است. لذا پیش‌بینی طول مدت اقامت بیماران و درصد موارد مرگ‌و‌میر در بخش مراقبت‌های ویژه اهمیت زیادی دارد. لذا در این پژوهش به طراحی سیستم هوشمند مبتنی بر منطق فازی جهت پیش‌بینی درصد موارد مرگ‌و‌میر بیماران تروما در بخش مراقبت‌های ویژه پرداخته شد.</span><span dir="LTR"><span style="color:black;"></span></span><br> <strong><span style="color:black;">روش:</span></strong><span style="color:black;"> داده‌های مورد نیاز برای طراحی سیستم، از پرونده‌های بیماران از سال 91&nbsp;- 1389 گردآوری شد، سپس سیستم با استفاده از داده‌های گردآوری شده از هر پرونده اجرا شد و میزان همخوانی تشخیص سیستم با تشخیص نهایی ثبت شده در پرونده بیمار مقایسه گردید. مدل پیشنهادی نروفازی با 5 مدل هوشمند دیگر مقایسه گردید. این مقایسه بر اساس حساسیت، دقت، ویژگی و سطح زیر منحنی راک محاسبه و ارزیابی گردید.</span><span style="font-family:B Mitra;"></span><br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> میزان دقت این 6 مدل حدوداً به ترتیب 83% و 81‌%،80%، 75%، 82% و 81% است.<span dir="LTR"></span><br> <strong>نتیجه&shy; گیری:</strong> مدل نروفازی بهترین مدل ارزیابی شد و دارای بالاترین میزان دقت است. از نظر سطح زیر منحنی <span dir="LTR">ROC</span> مجدداً این مدل بیشترین سطح زیر منحنی را دارد؛ لذا به‌کارگیری مدل نروفازی در زمینه تشخیص و پیش‌بینی درصد موارد مرگ و میر بیماران تروما در بخش مراقبت‌های ویژه پیشنهاد می‌شود. این امر در تحقیقات مرتبط با حوزه سلامت و به خصوص در تخصیص منابع درمانی برای افرادی که پرمخاطره پیش‌بینی می‌شوند از اهمیت بالایی برخوردار است.<span dir="LTR"></span></span></div> <div style="text-align: justify;"><span style="font-family:Tahoma;"><strong>Introduction:</strong> The intensive care unit is one of the most costly parts of the national health sector. These costs are largely attributable to the length of stay in the intensive care unit. For this reason, there are significant benefits in predicting patients&#39; length of stay and the percentage of deaths in intensive care units. Therefore, in this study, a fuzzy logic based intelligent system was designed to predict the percentage of deaths in trauma patients in the intensive care unit.<br> <strong>Method:</strong> Data needed to design the system were collected from patient files from 2010 to 2012. Then, the system was run using data collected from each file and the system diagnosis was compared with the final diagnosis recorded in the patient file. The proposed neuro-fuzzy model was compared with five other intelligent models. This comparison was calculated and evaluated based on sensitivity, accuracy, specificity, and the area under the ROC curve.<br> <strong>Results</strong>: The accuracy of these six models was approximately 83%, 81%, 80%, 75%, 82% and 81%, respectively.<br> <strong>Conclusion</strong>: The neuro-fuzzy model was evaluated as the best model and had the highest accuracy. This model also had the highest area under the ROC curve. Therefore, it is recommended to use neuro-fuzzy model to diagnose and predict the percentage of deaths in trauma patients in the intensive care unit. This is important in health-related research particularly in allocating therapeutic resources to people at risk.</span></div> بیماران تروما, بخش مراقبت‌های ویژه, دسته‌بندی, پیش‌بینی, مدل‌های هوشمندANFIS Naïve Bayes, , Trees Random Forest 1NN, AdaBoost, SVM Trauma Patients, Intensive Care Unit, Classification, Prediction, Intelligent Models, ANFIS Naïve Bayes, Trees Random Forest 1NN, AdaBoost, SVM 10 19 http://jhbmi.ir/browse.php?a_code=A-10-43-3&slc_lang=fa&sid=1 Mitra Montazeri میترا منتظری mitra.montazeri2@gmail.com 10031947532846006878 10031947532846006878 No M.Sc. in Artificial Intelligent, Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran کارشناسی ارشد هوش مصنوعی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران Mahdi Ahmadinejad مهدی احمدی نژاد mehdia50@gmail.com 10031947532846006879 10031947532846006879 No Fellowship of Intensive Care Medicine, Associate Professor, Anesthesiology Computer Dept., Faculty of Medicine, Kerman University of Medical Sciences, Kerman, Iran فلوشیپ مراقبت‌های ویژه، دانشیار‌، گروه بیهوشی، دانشگاه علوم پزشکی کرمان‌، کرمان، ایران Mahdieh Montazeri مهدیه منتظری mahdiehmontazeri@yahoo.com 10031947532846006880 10031947532846006880 Yes Ph.D. Student in Medical Informatics, Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran دانشجوی دکترای انفورماتیک پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران Mohadeseh Montazeri محدثه منتظری mohadeseh_montazeri@yahoo.com 10031947532846006881 10031947532846006881 No Ph.D. Student in Computer Software, Lecturer, Computer Dept., Technical and Vocational University, Kerman, Iran دانشجوی دکترای نرم افزار کامپیوتر، مربی، بخش کامپیوتر، دانشکده حضرت فاطمه (س)، دانشگاه فنی و حرفه‌ای، کرمان، ایران