به گفته مهندس هادی طالبیان مقدم ، روش تشخیص و پیش بینی زردی نوزادان می تواند در آینده
به صورت یک نرم افزار پیاده سازی شود و در آن درصد بروز بیماری زردی در کودکان و نوع آن
براساس پارامترهای مختلف تعیین شود. در صورت توسعه این طرح می توان از آن در مواردی همچون امکان استفاده خانواده ها، استفاده پزشکان برای کمک به تعیین وضعیت مراقبت و درمان و تصمیم گیری درباره توصیه های لازم به والدین نوزاد و استفاده در پزشکی از راه دور استفاده کرد.
طالبیان مقدم می افزاید: در این طرح ، تشخیص نوع زردی به کمک ابزارهای هوش مصنوعی انجام شد و اطلاعات موردنیاز با جمع آوری داده های کلینیکی از 2 بیمارستان بقیه الله (عج) و نجمیه تهران طی 3 ماه با نظارت پزشکان مشاور از بیماران و به صورت روزانه اخذ شد. ازجمله دستاوردهای این تحقیق که بیش از 8 ماه به طول انجامید می توان به موارد زیر نیز اشاره کرد:
ارسال 4 مقاله برای 3 کنفرانس بین المللی ، ارسال 2 خلاصه مقاله به 2 کنفرانس بین المللی دیگر،
تایید 3 مقاله از 4 مقاله ردیف یک برای ارائه و چاپ در 2 کنفرانس بین المللی IEEE قاهره (}2006) و کنفرانس بین المللی IASTED اتریش (2007)، همچنین مقاله چهارم که از ردیف یک در حال بررسی به وسیله تیم EDITORIAL BOARD کمیته های تخصصی است و
ارسال 3 مقاله برای 3 مجله بین المللی از مجموعهElsevier.
تشخیص زردی با هوش مصنوعی
طالبیان مقدم در تشریح مراحل انجام طرح می گوید: ما کار خود را براساس آمارگیری از بیمارستان بقیه الله و بیمارستان نجمیه تهران انجام دادیم. در فاز اول طرح ، پیش بینی زردی پیش از تولد و48 ساعت پس از تولد انجام شد. در فاز دوم ، نوع زردی پاتولوژیک یا فیزیولوژیک بودن آن مورد بررسی قرار گرفت. در این طرح تشخیص نوع زردی به کمک ابزارهای هوش مصنوعی انجام پذیرفت و اطلاعات موردنیاز با جمع آوری داده های کلینیکی از این 2 بیمارستان طی 3 ماه با
نظارت پزشکان مشاور از بیماران و به صورت روزانه اخذ شد. در این مدت 550 مورد تولد ثبت شد که 391 مورد دچار زردی بودند. از 391 مورد زردی ثبت شده 200 مورد زردی فیزیولوژیک و مابقی از نوع زردی پاتولوژیک بود. طالبیان مقدم می افزاید: مدلهای مورد استفاده برای پیش بینی و طبقه بندی زردی شامل روشهای مختلف شبکه عصبی ، فازی و نروفازی بودند.
ازجمله مدلهای به کار گرفته شده به 2 مدل شبکه عصبی پرسپترون جلو سوی چندلایه و شبکه عصبی RBF، الگوریتم های خوشه بندی C افراز فازی (FCM)، خوشه بندی تفاضلی ،ARTMAP فازی و سیستم فازی با قوانین شخص خبره می توان اشاره کرد. در نهایت از میان
سیستم های ترکیبی فازی عصبی ، سیستم استنتاج نروفازی وفقی (ANFIS) برای پیش بینی و طبقه بندی زردی به کار گرفته شد. نتایج براساس روش ماتریس ارزیابی عملکرد طبقه بندی کننده مورد ارزیابی قرار گرفت. برای برنامه نویسی از نرم افزار MATLAB و جعبه ابزارهای فازی و شبکه عصبی استفاده شد و مقایسه میان روشهای مذکور انجام پذیرفت. نتایج پیش بینی بیماری نمایانگر دقتی در حدود 80 درصد در پیش بینی بیماری است.
طالبیان می افزاید: در انتها لازم است از همکاری بیمارستان های بقیه الله و نجمیه و بخصوص دکتر محمد ترکمن ، دکتر زهره کاوه منش ، دکتر سلطان پور، دکتر طالبیان مقدم ، دکتر قدیانی ، سرکار خانم نیشابوری ، تجویدی و وطن پرست ، همکاران و کلیه افرادی که با همکاری و تشویق خود در اجرا و موفقیت این طرح تحقیقاتی نقش داشته اند، تشکر و قدردانی شود.