Journal of Research in Urology

fa پیش‌بینی عفونت ادراری در بیماران بستری در بیمارستان براساس داده‌های دموگرافیک و سوابق پزشکی مبتنی‌بر رویکردهای یادگیری ماشین Prediction of Urinary Tract Infection for Hospital-admitted Patients based on Demographic and Historical Data, as well as Machine Learning Approaches ارولوژی عصبی Neurourology پژوهشي Research <div class="rounded" style="background: rgb(255, 218, 224); border: 1px solid rgb(250, 115, 115); padding: 5px 10px; text-align: justify;">سابقه و هدف: عفونت ادراری (UTI) یکی از عفونت‌های شایع است که سیستم ادراری را تحت‌تأثیر قرار می‌دهد. روش تشخیص استاندارد UTI تجزیه‌وتحلیل کشت ادرار است. بااین‌حال، این روش تشخیصی زمان‌بر بوده و به‌شدت مستعد خطاست. با توجه به اینکه پیش‌بینی سریع عفونت ادراری به شروع به‌موقع مصرف آنتی‌بیوتیک و کنترل بهینه‌تر عفونت ادراری کمک می‌کند، توسعه روش‌های تشخیص سریع‌تر موردتوجه محقّقان این حوزه قرار دارد. مواد و روش‌‌ها: مطالعه حاضر براساس داده‌های منتشرشده یک مطالعه کوهورت گذشته‌نگر که در کشور دانمارک و با حجم نمونه 300000 به انجام رسیده، انجام شده است. در مطالعه حاضر و براساس داده‌ موجود، توانمندی الگوریتم‌های یادگیری ماشین شامل بردارهای پشتیبان، درخت تصمیم‌گیر، آنالیز تفکیک‌کننده خطّی و ماشین رگرسیون خطّی در پیش‌بینی عفونت ادراری براساس پیش‌گوکننده‌هایی نظیر سوابق پزشکی و داده‌های دموگرافیک برای بیماران بستری در بیمارستان ارزیابی شده است. یافته‌ها: نتایج این مطالعه نشان داد که طبقه‌بندی تفکیک‌کننده خطّی با دقت 0.64±65.16 پیش‌بینی UTI را با استفاده از ویژگی‌های دموگرافیک و سوابق پزشکی بیمار انجام می‌دهد. از میان ویژگی‌ها، سن تأثیر قابل‌توجهی بر پیش‌بینی UTI داشت؛ به‌نحوی‌که دقت مدل در تشخیص UTI در نمونه‌های کهن‌سال، بزرگ‌سال، کودک و جوان به ترتیب 73.64، 25.86، 39.42 و 60.60 بوده‌ است. ویژگی‌های با قدرت تمایز بالا نیز با توجه به تجزیه‌وتحلیل مؤلّفه‌های همسایگی پیشنهاد شد. نتیجه‌گیری: نتایج این مطالعه پتانسیل هوش مصنوعی را برای پیش‌بینی سریع UTI نشان می‌دهد. بااین‌حال، عملکرد سیستم پیش‌بینی‌کننده با افزودن ویژگی‌های دیگر قابل‌افزایش خواهد بود.</div> <div class="rounded" style="background: rgb(255, 218, 224); border: 1px solid rgb(250, 115, 115); padding: 5px 10px; text-align: justify;">Background and Objective: Urinary tract infection (UTI) is one of the common infections that affects the urinary system. UTI can be detected using analysis of urine culture which is a time-consuming and error-prone procedure. The fast prediction of UTI helps to start antibiotic medication at the correct time and prior to the culture report. The present study aimed to assess the potential of artificial intelligence for UTI prediction. Materials and Methods: The current study was conducted based on the published data from a retrospective cohort study that was performed on 300, 000 human samples in Denmark. The performance of machine learning algorithms, including support vector machines, decision trees, linear discriminant analysis, and linear regression models, was investigated for UTI prediction according to historical and demographical features. Results: The obtained results pointed out that UTI prediction using a linear discriminant analysis model with an accuracy of 65.16±0.64% was possible. Among the features, age had a significant effect on UTI prediction where the model accuracy rates for elderly, adult, young, and infant cases were reported as 73.64, 86.25, 39.42, and, 60.60%, respectively. In addition, the results demonstrated that the classification performance was better for adults compared to younger participants. The most informative features were also suggested according to the neighborhood component analysis. Conclusion: The results of this study highlighted the potential of artificial intelligence for fast UTI prediction; nonetheless, the performance needs to be enhanced by the addition of other fast-accessible features.</div> دستگاه ادراری, عفونت, پیشبینی, یادگیری ماشین Infection, Machine learning, Prognosis, Urinary tract 18 26 http://urology.umsha.ac.ir/browse.php?a_code=A-10-3419-1&slc_lang=fa&sid=1 Sajjad Farashi سجّاد فراشی sajjad_farashi@yahoo.com 10031947532846004525 10031947532846004525 Yes Neuroscience and Mental Health Research Institute, Avicenna Health Research Institute, Hamadan University of Medical Sciences, Hamadan, Iran پژوهشکده علوم اعصاب و سلامت روان، پژوهشگاه سلامت ابن‌سینا، ‌دانشگاه علوم‌پزشکی همدان، همدان، ایران Hossein Emad Momtaz حسین عماد ممتاز momtaz@umsha.ac.ir 10031947532846004526 10031947532846004526 No Department of Pediatrics, Faculty of Medicine, Hamadan University of Medical Sciences, Hamadan, Iran گروه اطفال، دانشکده پزشکی، دانشگاه علوم‌پزشکی همدان، همدان، ایران