fas Shahroud University of Medical Sciences مجله دانش و تندرستي در علوم پایه پزشکی 1735-577X 2345-3753 2024-10-22 55 63 10.22100/jkh.v19i3.3315 4363 پیمان الماسی نژاد 0 امین گلاب پور 1 - گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، تهران، ایران. - گروه فن‌آوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران. مقدمه: برای تشخیص کبد چرب غیرالکلی معمولاً از آزمایش فیبرواسکن استفاده می‌شود که هزینه بالایی دارد. همچنین، آزمایشات کم‌هزینه مانند اندازه‌گیری آنزپ م‌های کبدی یا آزمایشات هماتولوژی نمی‌توانند کبد چرب را به‌طور قطعی تشخیص دهند و فقط به‌عنوان ابزارهای اولیه در تشخیص کبد چرب به‌کار می‌روند. مواد و روش‌‌‌ها: در این پژوهش، یک مدل یادگیری ماشین برای تشخیص کبد چرب با استفاده از اطلاعات دموگرافیک، آنزیم‌های کبدی و آزمایشات هماتولوژی ارایه گردید. برای این کار، داده‌ها از پرونده 1078 مراجعه‌کننده به بیمارستان امام رضا (ع) سال‌های 1397 تا 1402 استخراج شده است که شامل 25 متغیر وابسته می‌باشد. پس از پیش‌پردازش، اطلاعات به 531 پرونده کاهش یافت. برای جایگزینی داده‌های گمشده از الگوریتم بهینه‌سازی ذرات چندهدفه استفاده شد. پس از پیش‌پردازش، الگوریتم ماشین‌بردار پشتیبان بر روی این داده‌ها اجرا گردید. در نهایت، عملکرد الگوریتم پیشنهادی با الگوریتم‌های مشابه مقایسه و ارزیابی شد. نتایج: در مرحله پیش‌پردازش، رکوردهایی که بیش از 20 درصد داده‌های گمشده داشتند حذف شدند و مابقی رکوردها جایگزینی شدند. سپس داده‌ها به دو مجموعه آموزش و تست با نسبت 70-30 تقسیم گردید. الگوریتم ماشین‌بردار پشتیبان با کرنل شعاعی بر روی داده‌های آموزشی اجرا شد و میزان حساسیت، ویژگی و صحت برای داده‌های آموزشی به ترتیب 24/96%، 86/90% و 55/93% حاصل گردید و برای داده‌های تست 80%، 22/77% و 62/78% به‌دست آمد. همچنین، در این پژوهش نشان داده شد که الگوریتم ماشین‌بردار پشتیبان پیشنهادی نسبت به شش الگوریتم مشابه عملکرد بهتری دارد. نتیجه‌گیری: در این پژوهش نشان داده شده است که با استفاده از الگوریتم‌های یادگیری ماشین، می‌توان کبد چرب غیر الکی را با هزینه پایین‌تری تشخیص داد. Introduction: The diagnosis of NAFLD typically involves the use of the FibroScan test, which can be costly. More affordable options, like liver enzyme and hematology tests, cannot diagnose fatty liver disease; they only serve as preliminary tools for its diagnosis. Methods: In this study, a machine-learning model was developed to diagnose fatty liver disease using demographic information, liver enzymes, and hematology tests. Data was extracted from the records of 1078 patients who visited Haj Marafi Hospital between 2018 and 2023, encompassing 25 dependent variables. After preprocessing, the data was reduced to 531 records. A multi-objective particle swarm optimization algorithm was used to impute missing data. Following preprocessing, a support vector machine (SVM) algorithm was applied to the data, and the performance of the proposed algorithm was compared and evaluated against similar algorithms. Results: During preprocessing, records with more than 20% missing data were removed, and the remaining data were imputed. The data was then divided into training and testing sets (70-30 split). The radial basis function (RBF) SVM was applied to the training data, resulting in sensitivity, specificity, and accuracy of 96.24%, 90.86%, and 93.55%, respectively. For the test data, these rates were 80%, 77.22%, and 78.62%. Conclusion: This study demonstrated that machine learning algorithms can diagnose NAFLD more cost-effectively. https://knh.shmu.ac.ir/index.php/site/article/view/3315 یادگیری ماشین فیروز کبدی پیش بینی Machine Learning Liver Fibrosis Prediction Support Vector Machine