علیرضا صادقی - دانشجوی کارشناسی ارشد مهندسی مکاترونیک دانشگاه تهران
مهدیه صادقی - دانشجوی پزشکی دانشگاه پیامبر اعظم مازندران

عارضه تنفسی یکی از موارد مهم تهدیدکننده سلامت بیماران به حساب می آید. برای کمک به بیماران دارای عارضه تنفسی از دستگاه و نتیلاتور استفاده می شود. برای کنترل میزان فشار هوای ایجاد شده در ریه بیماران متصل به این دستگاه، عموما از روش های کنترل کلاسیک استفاده می شود. این روش ها، علاوه بر ضعف در برخی شرایط بالینی، نیازمند نظارت مستمر پزشک برای ایجاد فشار مناسب در ریه بیمار می باشند که در عمل چالش های فراوانی را به همراه دارد. وجود سامانه ای که بتواند فشار مورد نیاز در ریه بیمار را پیش بینی کند و تنظیمات مورد نظر برای رسیدن به این فشار را به صورت خودکار در ونتیلاتور انجام دهد، می تواند نقش مهمی در به بود عملکرد دستگاه و روند درمانی بیمار، ایفا کند. یادگیری ماشین به عنوان عرصه ای نوین در سال های اخیر، توانسته پیشرفت های چشمگیری در پیش بینی داده های زمانی داشته باشد. د این پژوهش با طراحی یک شبکه عصبی عمیق مبتنی بر لایه های BiLSTM، فشار هوای درون ریه بیماران بیهوش متصل به ونتیلاتور را پیش بینی نموده ایم. برای ارزیابی عملکرد این سیستم از معیار میانیگن خطای مطلق استفاده شده که مقدار آن برای مدل پیشنهادی این پژوهش ۴۹۹/۰ بوده است.

ونتیلاتور، شبکه عصبی، لایه BiLSTM، عارضه تنفسی، فشار هوای ریه