مقدمه: داروها با ساختار شیمیایی مشخص، نقش مهمی در درمان بیماری‌ها دارند اما مصرف آن‌ها گاه با عوارض جانبی همراه است که بسته به شرایط فردی بیماران، شدت و نوع آن متفاوت است. کودکان به دلیل ویژگی‌های رشدی و بالینی خاص، نسبت به سایرین بیشتر در معرض خطر این عوارض قرار دارند. بیماری مادرزادی قلبی یکی از شایع‌ترین اختلالات مادرزادی است که با نقایص متنوع ساختمانی قلب و عروق و علائم گوناگون در سنین مختلف ظاهر می‌شود. درمان دارویی این بیماران معمولاً مبتنی بر مطالعات بزرگسالان است و مطالعات اندکی به عوارض دارویی در کودکان پرداخته‌اند. از طرفی، پیچیدگی داده‌های دارویی و تفاوت‌های فردی، پیش‌بینی عوارض جانبی را دشوار می‌کند. از اینرو، سیستم‌های تصمیم‌یار بالینی مبتنی بر یادگیری ماشین می‌توانند در شناسایی و پیشگیری این عوارض به پزشکان کمک نمایند. هدف از پژوهش حاضر، ایجاد سیستم تصمیم یار بالینی برای پیش بینی عوارض جانبی داروها در کودکان مبتلا به بیماری مادرزادی قلبی بود.

روش پژوهش: این پژوهش از نوع کاربردی-توسعه‌ای بود که با رویکرد ترکیبی (کیفی و کمی) در چهار مرحله انجام شد. در مرحله نخست، داروها، عوارض جانبی و عوامل موثر بر بروز آن‌ها در کودکان مبتلا به بیماری مادرزادی قلبی از طریق مرور متون و سپس نظرخواهی از متخصصان قلب کودکان به کمک پرسشنامه شناسایی شدند. در مرحله دوم، با مرور منابع علمی، انواع الگوریتم‌های یادگیری ماشین به‌کاررفته در پیش‌بینی عوارض دارویی شناسایی شدند. مرحله سوم مدل‌های پیش‌بینی بر پایه الگوریتم‌هایی نظیر شبکه عصبی مصنوعی، ماشین بردار پشتیبان، جنگل تصادفی، کای نزدیکترین همسایه و رگرسیون لجستیک با 4682 داده‌ سیستم گزارش عوارض دارویی سازمان غذا و دارو ایالات متحده آمریکا آزموده شدند و بهترین مدل بر اساس شاخص‌ سطح زیر منحنی مشخصه عملکرد گیرنده انتخاب گردید. در مرحله چهارم، با تلفیق مدل منتخب و قوانین مرتبط با دوز دارو ها، سیستم تصمیم‌یار بالینی با استفاده از زبان برنامه نویسی پایتون طراحی و با استفاده از داده‌های بالینی ۳۳۰ کودک بستری مرکز آموزشی درمانی شهید رجایی تهران ارزیابی گردید. معیار ارزیابی شاخص‌هایی نظیر صحت، حساسیت، دقت، ویژگی، مقدار F1، سطح زیر منحنی مشخصه عملکرد گیرنده و ضریب همبستگی متیوز بودند.

یافته‌ها: در مرحله اول پژوهش، ۱۹ دارو و عوارض جانبی دارویی مرتبط با آنها، همراه با عوامل خطر مانند سن پایین، وزن کم، بیماری‌های همراه و چنددارویی در کودکان مبتلا به بیماری مادرزادی قلبی از طریق بررسی متون شناسایی و توسط متخصصان قلب کودکان تایید شدند. در مرحله دوم، پنج الگوریتم جنگل تصادفی، شبکه عصبی پرسپترون، ماشین بردار پشتیبان، کای نزدیکترین همسایه و رگرسیون لجستیک به عنوان پرتکرارترین روش‌ها برای پیش بینی عوارض جانبی دارویی در مطالعات پیشین شناسایی شدند. در مرحله سوم پژوهش، پس از آموزش و بهینه‌سازی مدل‌ها بر روی 4651 گزارش بالینی، الگوریتم جنگل تصادفی به عنوان بهترین مدل با میانگین سطح زیر منحنی برابر با 902 /0 بر روی داده‌های آزمون انتخاب شد و عملکرد بهتری را نسبت به دیگر الگوریتم‌ها نشان داد. در مرحله چهارم، سیستم تصمیم یار بالینی با ادغام مدل نهایی جنگل تصادفی و قواعد مرتبط با دوز دقیق داروها مستخرج از کتاب مرجع دوز دارویی کودکان هریت لین پس از تایید متخصصان قلب کودکان طراحی شد و نتایج ارزیابی نشان داد، سیستم طراحی شده عوارض جانبی دارویی را به طور میانگین با صحت ۸۵ درصد، حساسیت ۸۲ درصد، دقت 88 درصد، ضریب همبستگی متیوز 70 درصد، سطح زیر منحنی مشخصه عملکرد گیرنده 88 درصد و مقدار F1 د81رصد پیش‌بینی می نمود.

نتیجه گیری: یافته‌های این پژوهش نشان داد که سیستم تصمیم‌یار بالینی طراحی‌شده، مبتنی بر مدل جنگل تصادفی و تلفیق آن با قواعد بالینی، توانایی قابل قبولی در پیش‌بینی عوارض جانبی داروها در کودکان مبتلا به بیماری مادرزادی قلبی داشت. این سیستم می‌تواند به‌عنوان یک ابزار تصمیم یار پزشکان در جهت ارتقای ایمنی دارودرمانی این بیماران مورداستفاده قرار گیرد.

کلید واژه‌ها: سیستم تصمیم یار بالینی، پیش بینی، عوارض جانبی دارویی، کودکان، بیماری مادرزادی قلبی، یادگیری ماشین