بختیار ترتیبیان - Department of Exercise Physiology, Faculty of Physical Education and Sport Sciences, Allameh Tabataba'i University, Tehran, Iran
لیلا فصیحی - Department of Physical Education and Sport Sciences, Faculty of Humanities, Tarbiat Modares University, Tehran, Iran
رسول اسلامی - Department of Exercise Physiology, Faculty of Physical Education and Sport Sciences, Allameh Tabataba'i University, Tehran, Iran
احمد فصیحی - Department of Physical Education and Sport Sciences, Faculty of Literature and Humanities, Malayer University, Malayer, Iran

زمینه و هدف: در بیماران پیوند کبد، بروز عوارض بعد از عمل، زمان بستری و مراقبت بیماران را طولانی تر و هزینه های درمان را افزایش می دهد. هدف از این مطالعه پیش بینی عارضه آنسفالوپاتی کبدی در بیماران پیوند کبد با استفاده از‎ الگوریتم ماشین بردار پشتیبان در زنان میانسال فعال بود. روش ها: جامعه آماری شامل ۶۵۲ بیمار بودند که از بین آنها، ۱۶۵ زن میانسال فعال دارای علائم آنسفالوپاتی که طی سال های ۱۳۸۰-۱۴۰۱ پیوند کبد انجام داده بودند به صورت در دسترس وارد مطالعه شدند. از الگوریتم ماشین بردار پشتیبان برای پیش بینی عارضه آنسفالوپاتی کبدی در بیماران پیوند کبدی و از نرم افزار مطلب برای تجزیه و تحلیل داده ها استفاده شد. یافته ها: با استفاده از ۱۴ ویژگی مربوط به اطلاعات آزمایشگاهی، آنتروپومتری و سبک زندگی آزمودنی ها، الگوریتم‎ ماشین بردار پشتیبان، می تواند با دقت ۸۱/۲ درصد و صحت ۷۴/۶ درصد افراد با و بدون عارضه آنسفالوپاتی کبدی را پیش بینی کند. نتیجه گیری: با توجه به دقت‎ الگوریتم ماشین بردار پشتیبان روی داده‎ها‎ ، به نظر می‎ رسد این سیستم بتواند با دقت بالا و با صرف کمترین هزینه پزشکان را‎ در پیش بینی خطر عارضه آنسفالوپاتی کبدی بعد از پیوند، یاری نماید. سیستم‎ها‎ ی پشتیبانی تصمیم گیری مبتنی بر کامپیوتر می‎ توانند تصمیمات بالینی ضعیف را کاهش دهند و همچنین هزینه‎ها‎ ی مربوط به آزمایش‎ها‎ ی بالینی غیرضروری را به حداقل رسانند.

Liver transplantation, Encephalopathy, Support vector machine algorithm, Middle-aged wome, پیوند کبد, آنسفالوپاتی, ‎ الگوریتم ماشین بردار پشتیبان, زنان میانسال