مقاله #1022

چکیده

اندازه‌گیری غلظت نیتروژن اوره خون برای ارزیابی دوز دیالیز (Kt / V) در بیماران مبتلا به نارسایی کلیه بسیار مهم است. اگر چه اندازه‌گیری مکرر برای جلوگیری از بروز نارسایی در عملکرد کلیه لازم است، اما روش‌های هوش مصنوعی می‌تواند به صورت مکرر برای پیش‌بینی استفاده شده و می‌تواند در آینده جایگزینی مناسب برای تست‌های آزمایشگاهی باشد. شبکه‌های عصبی مصنوعی یک جایگزین خوب برای روش‌های آماری و ریاضی کلاسیک به منظور حل مسائل غیرخطی چندبعدی است. همچنین این روش، یک برنامه پیشگویی مفید در کاربردهای نفرولوژی است. در این مطالعه، شبکه عصبی چندلایه (MLP) با الگوریتم‌های یادگیری سریع برای پیش‌بینی دقیق غلظت اوره خون پس از دیالیز استفاده می‌شود. قابلیت هشت الگوریتم یادگیری مختلف مورد مطالعه قرار گرفته و عملکرد آن‌ها مقایسه شده است. این الگوریتم‌ها عبارت‌اند از Levenberg-Marquardt، الگوریتم پس انتشار مقاوم، گرادیان مختلط مقیاس بندی شده، گرادیان مختلط به همراه روش راه‌اندازی Powell-Beale، گرادیان مختلط Polak-Ribiere و الگوریتم‌ گرادیان مختلط Fletcher-Reeves، روش شبه نیوتن BFGS و الگوریتم یک مرحله‌ای متقاطع. نتایج حاصل نشان می‌دهد که الگوریتم شبه نیوتن BFGS و الگوریتم Levenberg-Marquardt بهترین نتایج را ارائه می‌کنند. الگوریتم Levenberg-Marquardt در مرحله اعتبار سنجی ازنظر خطای متوسط ​​(MAE)، خطای متوسط ​​مربع ریشه (RMSE)، ضریب همبستگی پیرسون (R²_p) و ضریب همگامی آماری (R_C)نسبت به همه الگوریتم‌ها، عملکرد بهتری از خود نشان می‌دهد. درصد MAE و RMSE در روش Levenberg-Marquardt به ترتیب 0.27 و 0.32 % بوده که در مقایسه با 0.38 و 0.41 % حاصل از روش شبه نیوتن BFGS و 0.44 و 0.48 درصد حاصل از روش پس انتشار مقاوم مقادیر بهتری هستند. سیستم‌های مبتنی بر MLP می‌توانند نتایج رضایت بخشی را در پیش‌بینی غلظت اوره خون پس از دیالیز و دوز spKt / V بدون نیاز به توصیف دقیق و یا فرمول‌بندی فرآیند غیرمتمرکز در مقایسه با بیشتر روش‌های مدل‌سازی حرکت اوره نتیجه دهند.