اکرم رضاییان - Evidence Based Care Research Centre, Instructor of Pediatric Nursing, School of Nursing and Midwifery, Mashhad University of Medical Sciences, Mashhad, Iran
فاطمه نسیمی - Instructor of Pediatric Nursing, School of Nursing and Allied Health, Jahrom University of Medical Sciences, Jahrom, Iran
فرشید پورعلیزاده مقدم - Ph.D Student in Electrical-Control Engeenering, Department of Kharazmi Pardise, Shahrood University of Technology, Shahrood, Iran

سابقه و هدف: علی رغم پیشرفت سریع در درمان های طبی و تکنولوژی مراقبت های حاد طی ۳۰ ساله اخیر در کنار افزایش هزینه های مراقبت های طبی، آنالیز پیامدها از جمله پیش بینی خطر مرگ و میر از چالش های بخش های مراقبت ویژه بوده است. لذا هدف از مطالعه حاضر پیش بینی مرگ و میر نوزادان نارس بستری در NICU با استفاده از مدل شبکه عصبی مصنوعی است. مواد و روش ها: این مطالعه روی پرونده  نوزادان نارس با سن حاملگی کم تر از ۳۷ هفته در بیمارستان قائم شهر طی سال های ۱۳۸۹-۱۳۸۶ با استفاده از نرم ابزار MATLAB انجام شد. ۱۰۰ پرونده نوزاد نارس با استفاده از ۲۱ متغیر، که ۸۰ درصد برای آموزش شبکه عصبی مصنوعی و و ۲۰ درصد برای آزمون مدل طراحی شده مورد استفاده قرار گرفت. برای جلوگیری از پراکندگی اطلاعات از سیستم کد بندی اطلاعات استفاده شد و از این کدها برای طراحی و آزمون مدل شبکه عصبی مصنوعی استفاده شد. یافته ها: به ازای ۶۰ نورون و ۲۰ تکرار، صحت به حد مطلوب خود (صحت ۲/۹۵در صد در مرحله آموزش و صحت ۵۶/۹۴ درصد در مرحله آزمایش) رسید. در صورتی که تعداد تکرار از این حد بیش تر می شد الگوریتم به سمت پدیده آموزش بیش از حد (overtraining) پیش می رفت. استنتاج: در اینجا روشی برای ایجاد مدل های ANN برای برآورد احتمال مرگ ومیر در نوزادان نارس با استفاده از ۲۱ متغیر معرفی شد. این مدل می تواند بالقوه برای پیش بینی بسیاری دیگر از پیامدهای NICU مانند پیش بینی طول دوره تهویه مکانیکی وعوارضی چون ناهنجاری های موجود در تصویربرداری عصبی، انتروکولیت نکروزان و دیسپلازی برونکوپولمونر مورد استفاده قرار گیرد.

mortality, preterm infant, neonatal intensive care unit, artificial neural network, مرگ و میر, نوزاد نارس, بخش مراقبت های ویژه نوزادان, شبکه عصبی مصنوعی