شبکه عصبی مصنوعی برای ارزیابی خطر اختلالات حرکتی در نوزادان

زمينه و هدف: پيش بينی اختلالات تکاملی بعدی در هنگام تولد بسيار با اهميت است. اين مطالعه با هدف پيش­بينی اختلالات حرکتی کودکان با استفاده از شبکه عصبی مصنوعی Artificial Neuronal Network -ANN)) در دوره نوزادی طرح­ريزی شده است. روش کار: در اين مطالعه­ی گذشته­نگر، 600 شيرخوار با معاينه عصبی طبيعی و 120 شيرخوار با معاينه عصبی غير طبيعی بررسی شدند. برای انجام تحليل، داده­ها به صورت تصادفی به دو قسمت آموزشی و آزمايشی تقسيم شدند. فرآيند يادگيری با مجموعه اول (360 مورد) انجام شد. پس از آموزش شبکه، مرحله آزمايش شبکه با مجموعه داده­های آزمايشی (360 مورد داده­های باقي­مانده) انجام پذيرفت. تحليل داده­ها با نرم­افزارR نسخه 1/14 انجام شد. يافته‌ها: براي مقايسه صحت کلاس بندی دو مدل مبتنی بر مجموعه آزمايشی در پيشگويی اختلال حرکتی از جدول صحت کلاس بندی استفاده گرديد. شاخص­های هماهنگی نشان داد که شبکه عصبی مصنوعی در مقايسه با مدل رگرسيون لجستيک دارای دقت پيشگويی بالاتری است و مجموع پيشگويی درست با/بدون اختلال حرکتي در شبکه عصبی مصنوعی 6/78 درصد در مقابل 9/73 درصد می باشد. سطح زير منحنی مشخصه عملکرد در مورد شبکه عصبی مصنوعی 71/0 و در مدل رگرسيون لجستيک 68/0 به دست آمد. در مجموع، ويژگی و حساسيت شبکه عصبی مصنوعی در مقايسه با مدل رگرسيون به ترتيب 0/88 درصد در مقابل 0/85 درصد و 7/31 درصد در برابر 3/18 درصد به دست آمد. نتيجه‌گيری: توانايي شبکه عصبی مصنوعی و مدل رگرسيون لجستيک در پيش بينی کودکان بدون اختلال حرکتي مشابه بوده ولی توانايی شبکه عصبی مصنوعی در پيش بينی اختلال حرکتی بيش­تر از مدل رگرسيونی است. واژه‌های کلیدی: تكامـل انسان، شير خوار، شبکه عصبی مصنوعی، رگرسیون لجستیک، اختلال حرکتی،