به‌کارگیری شبکه‌های فازی شواهدی به‌عنوان مدل پیش‌آگهی کم‌وزنی نوزاد هنگام تولد

نوزادان کم‌وزن در هنگام تولد، نوزادانی با وزن کمتر از 2500 گرم در هنگام تولد هستند. این نوزادان بیشتر از سایر نوزادن، در معرض خطرات مرگ‌و‌میر، ناهنجاری‌های مادرزادی، عقب‌ماندگی‌ ذهنی و سایر اختلالات فیزیکی و عصبی هستند. حدود 5/15% از موالید در سطح دنیا، نوزادان با وزن کم در هنگام تولد هستند و کاهش این میزان از موالید به یک‌سوم مقدار فعلی، به‌عنوان یکی از اهداف برنامة یونیسف مطرح شده‌ است. با توجه به موارد ذکر‌شده، پیش‌آگهی تولد این نوزادان، نقش مهمی در پیش‌گیری از وقوع آن دارد. به‌علاوه ، زمینه را برای تصمیم‌گیری‌های بالینی به‌موقع و مؤثر برای حفظ سلامت آنان فراهم می‌آورد. در این پژوهش، از شبکه‌های فازی شواهدی، به‌عنوان مدل پیش‌آگهی تولد نوزادان با وزن کم هنگام تولد، استفاده شد  این شبکه‌ها با استفاده از منطق فازی و تئوری شواهد، قابلیت مدیریت وجوه مختلف عدم قطعیت را دارند. نتایج به‌دست‌آمده از به‌کارگیری شبکه‌های فازی شواهدی و سایر مدل‌های پرکاربرد در این زمینه، مانند درخت تصمیم‌گیری، ماشین بردار پشتیبان و مدل بیز ساده و...، روی پایگاه دادة مربوط به سه بیمارستان شهر تهران، نشان داد که شبکة فازی شواهدی با صحت 84.8% ، عملکرد بهتری از سایر مدل‌ها دارد. در رویکردی دیگر، ترکیب نتایج شبکة فازی شواهدی با مدل بیز ساده، به افزایش صحت پیش‌آگهی به 85.2 % منجر شد. علاوه بر این، توانایی این شبکه‌ها در برخورد با داده‌های گمشده، به‌عنوان یکی از چالش‌های رایج در مجموعه داده‌های پزشکی، بررسی شد. شبکة فازی شواهدی، بهترین عملکرد را در مدیریت عدم قطعیت ناشی از جا‌‌نهی داده‌های گمشده در مقایسه با سایر مدل‌ها، از خود نشان داد و عملکرد آن با افزایش متغیرهای گمشده در هر نمونه، با افت کمتری از سایر روش‌ها روبرو شد.