fa تشخیص چاقی و فشار‌خون بالا در دانش‌آموزان اصفهانی با استفاده از شبکه عصبی مصنوعی هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="line-height:2;"><span style="color:#000000;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><strong>مقدمه:</strong> چاقی و فشار خون بالا از مشکلات سلامتی جامعه می‌باشد هدف این مطالعه تشخیص چاقی و فشار‌خون بالا در دانش‌آموزان اصفهانی توسط شبکه عصبی مصنوعی است.<span dir="LTR"></span><br> <strong>روش:</strong> تحقیق حاضر یک مطالعه تشخیصی و پیش‌بینی کننده است که با استفاده از اطلاعات 460 نفر از دانش‌آموزان 18-7 ساله اصفهانی شبکه عصبی که شامل ۱۱ متغیر ورودی (سن، جنسیت، وزن، قد، دور کمر، شاخص توده بدنی، نسبت دورکمر به قد، چاقی شکمی، فعالیت فیزیکی، ژنتیک و رفتارهای تغذیه‌ای ناسالم) و سه متغیر خروجی چاقی، فشارخون سیستولیک، فشارخون دیاستولیک، طراحی شد. از دو الگوریتم گرادیان مزدوج و لونبرگ-مارکوارت برای آموزش شبکه استفاده گردید.<br> <strong>نتایج:</strong> شبکه عصبی منتخب با الگوریتم لونبرگ در تشخیص چاقی و فشار‌خون دیاستولیک بالا دارای 16 نرون مخفی و در تشخیص فشار‌خون سیستولیک بالا دارای 14 نرون مخفی می‌باشد. میزان حساسیت، ویژگی و صحت شبکه در تشخیص چاقی به ترتیب 0/9591، 0/9975، 0/9934 به دست آمد و برای فشار‌خون سیستولیک بالا به ترتیب 0/8461، 0/9949، 0/9739 و برای فشارخون دیاستولیک بالا به ترتیب اعداد 0/7952، 0/9973، 0/9609 می‌باشد. ملاحظه شد که شبکه طراحی شده با دقت بالای 95 درصد چاقی را در کودکان و نوجوانان و با دقت بالای 84 و 79 درصد به ترتیب فشارخون سیستولیک و دیاستولیک بالا را تشخیص می‌دهد.<span dir="LTR"></span><br> <strong>نتیجه‌گیری:</strong> طبق نتایج حاصل شده حدود 83 درصد از نوجوانان چاق دارای فشارخون بالا هستند؛ لذا ضرورت طراحی برنامه‌های آموزشی در زمینه تغییرات رفتاری از جمله فعالیت فیزیکی همراه با مداخله در برنامه‌ریزی تغذیه دانش‌آموزان احساس می‌شود.</span></span></span></span><span dir="LTR"></span></div> <div style="text-align: justify;"><span style="line-height:2;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="color:#000000;"><strong>Introduction:</strong> Obesity and hypertension are community health problems. The objective of this study was to diagnose obesity and hypertension in Isfahani students by artificial neural network.<br> <strong>Method:</strong> The present study was a diagnostic and predictive one that used the information of 460 students aged 7-18 years old in Isfahan to design a neural network with 11 input variables (age, sex, weight, height, waist circumference, body mass index, waist to height ratio, abdominal obesity, physical activity, genetics, and unhealthy eating behaviors) and three output variables of obesity, systolic blood pressure, and diastolic blood pressure. Conjugate Gradient and Levenberg-Marquardt algorithms were used for network training.<br> <strong>Results:</strong> Selected neural network with the Levenberg algorithm has 16 hidden neurons in the diagnosis of obesity and high diastolic blood pressure and 14 hidden neurons in the diagnosis of high systolic blood pressure. The sensitivity, specificity, and accuracy of the network in the diagnosis of obesity were 0.9591, 0.9975, and 0.9934, respectively, and these values were 0.8461, 0.9949, and 0.9739 for high systolic blood pressure and 0.7952, 0.9973, and 0.9609 for high diastolic blood pressure. It was observed that the designed network detects obesity in children and adolescents with a high accuracy of 95% and diagnoses systolic and diastolic blood pressures with a high accuracy of 84% and 79%, respectively.<br> <strong>Conclusion:</strong> According to the results, about 83% of obese adolescents have hypertension. Therefore, there it is necessary to design educational programs in the field of behavioral changes, including physical activity along with interventions in nutrition planning for students.</span></span></span></span></div> شبکه عصبی مصنوعی, چاقی, فشارخون سیستولیک, فشارخون دیاستولیک Artificial Neural Network, Obesity, Systolic Blood Pressure, Diastolic Blood Pressure 12 23 http://jhbmi.ir/browse.php?a_code=A-10-673-2&slc_lang=fa&sid=1 Mohammad Dehghandar محمد دهقاندار m_dehghandar@pnu.ac.ir 10031947532846009800 10031947532846009800 Yes Assistant Professor, Applied Mathematics Dept., Payame Noor University, Tehran, Iran استادیار، گروه ریاضی کاربردی، دانشگاه پیام نور، تهران،‌ ایران Atefeh Hassani Bafrani عاطفه حسنی بافرانی a.hassani@pnu.ac.ir 10031947532846009801 10031947532846009801 No Ph.D. Student in Applied Mathematics, Lecturer, Applied Mathematics Dept., Payame Noor University, Tehran, Iran دانشجوی دکترای ریاضی کاربردی، مربی، گروه ریاضی کاربردی، دانشگاه پیام نور، تهران،‌ ایران Mahmood Dadkhah محمود دادخواه m_dadkhah@pnu.ac.ir 10031947532846009802 10031947532846009802 No Assistant Professor, Applied Mathematics Dept., Payame Noor University, Tehran, Iran استادیار، گروه ریاضی کاربردی، دانشگاه پیام نور، تهران،‌ ایران Mostafa Qorbani مصطفی قربانی Mqorbani1379@yahoo.com 10031947532846009803 10031947532846009803 No Ph.D. in Epidemiology, Associate Professor, Alborz University of Medical Sciences, Karaj, Iran دکترای اپیدمیولوژی، دانشیار، دانشگاه علوم پزشکی البرز، کرج، ایران Roya Kelishadi رویا کلیشادی roya.kelishadi@gmail.com 10031947532846009804 10031947532846009804 No Pediatrician, Professor, Isfahan University of Medical Sciences, Isfahan, Iran متخصص اطفال، استاد، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران