ارائه کننده: سیده نسترن شریعت
استاد راهنما: دكتر مهرداد كارگري
استاد مشاور: دكتر سيدحسام الدين ذگردي
استاد داور داخلي: دكتر توكتم خطيبي
استاد داور خارج از دانشگاه: دكتر عباس حبيب الهي
نماينده تحصيلات تكميلي: دكتر توكتم خطيبي
تاریخ: 1403/07/16       
ساعت: 10:50
مكان: اتاق 219 دانشكده فني و مهندسي

چکیده:
زندگی خارج رحمی در ادامه زندگی داخل رحمی است. نوزادان در طی دوره نوزادی که 4 هفته بعد از تولد تعریف می‌شود بیشترین احتمال مرگ را دارند. آسیب پذیرترین زمان زندگی کودک دوره نوزادی است که میزان مرگ و میر و بیماری‌های دوره نوزادی گواهی است بر آسیب پذیری زندگی در این دوره. بر این اساس، ترسیم سیمای مرگ و میر نوزادان در جامعه به جهت شناسایی علل بروز و ارائه نتایج آن یکی از مهم‌ترین راهکار‌ها برای ارتقای سطح سلامت نوزادان است. از این رو هدف از این تحقیق ارائه مدلی مبتنی بر یادگیری ماشین و یادگیری‌ عمیق به منظور پیش‌بینی احتمال مرگ و میر نوزادان بستری در بخش مراقبت‌های ویژه نوزادان است. با توجه به اینکه تأکید این پژوهش بر روی پیش‌بینی احتمال مرگ و میر نوزادان است، پس از مشورت با پزشکان و متخصصان مربوطه و بررسی منابع اطلاعاتی مرتبط به جمع‌آوری داده‌هاي مربوط به 113378نوزاد بستری در بخش مراقبت ‌های ویژه نوزادان از سامانه ثبت اطلاعات سلامت مادر و نوزاد (ایمان) و فرم ارزیابی اولیه نوزادان در سال 1401 از سازمان بهداشت و درمان وزارت کشور پرداخته شد. داده‌های بانک اطلاعات ملی مادر و نوزاد جمع‌آوری شده شامل مجموعه‌ای از اطلاعات مربوط به مادر، نوزاد، شرایط قبل از زایمان و بارداری، بیماری‌های زمینه‌ای و سایر ویژگی‌های دیگر است که در این پژوهش بررسی شده اند. در این تحقیق، دو رویکرد استفاده از الگوریتم‌های طبقه‌بند یادگیری ماشین و همچنین تبدیل داده‌های عددی و بالینی مربوط به مادر و نوزاد به داده‌های تصویری و استفاده از شبکه عصبی کانولوشن (CNN) و ترکیب و استفاده از دو مدل EfficientNet و SVM ارائه شده است. به منظور ارزیابی مدل‌های ایجاد شده، از معیار‌های ارزیابی Accuracy، Recall، Precision و F-Score استفاده شده است که در میان روش های مورد استفاده، رویکرد دوم و ترکیبی از تکنیک‌های یادگیری عمیق و یادگیری ماشین و استفاده از دو مدل EfficientNet و SVM در پیش‌بینی احتمال مرگ‌ دوره نوزادی بهترین عملکرد را دارا بود. همچنین نتایج نشان می‌دهد استفاده از روش تقسیم بندی جهت متوازن سازی مجموعه داده ها در عملکرد مدل های طبقه بند تاثیر قابل ملاحظه ای داشته است.