سابقه و هدف: مسمومیت با ترکیبات ارگانوفسفره خطر قابل توجهی برای سلامت عمومی به ویژه در کشورهای در حال توسعه است. با توجه به اهمیت پیش‌بینی زودهنگام و دقیق پیش‌آگهی مسمومیت با ارگانوفسفره، هدف از این مطالعه ایجاد یک مدل پیش‌بینی مبتنی بر یادگیری ماشین برای پیش‌بینی شدت مسمومیت با ارگانوفسفره بود.

روش کار: داده های بیماران مبتلا به مسمومیت با ارگانوفسفره به صورت گذشته نگر استخراج و به مجموعه های train و test به نسبت 70:30 تقسیم شد. انتخاب ویژگی (feature) با روش LASSO انجام شد. فیچرهای انتخاب‌شده به پنج تکنیک یادگیری ماشین، از جمله Histogram Boosting Gradient، eXtreme Gradient Boosting، K-Nearest Neighborhood، Support Vector Machine (SVM)، و Random Forest وارد شدند. برای پیاده سازی مدل ها از کتابخانه Scikit-learn در زبان برنامه نویسی پایتون استفاده شد. در نهایت، عملکرد مدل‌های توسعه‌یافته با استفاده از روش‌های اعتبارسنجی متقاطع ده برابری و برخی معیارهای ارزیابی با فاصله اطمینان 95 درصد اندازه‌گیری شد.

یافته‌ها: در مجموع از 1237 بیمار برای آموزش (train) و آزمایش (test) مدل های یادگیری ماشین استفاده شد. بر اساس معیارهای تعیین کننده مسمومیت شدید ارگانوفسفره، 732 بیمار در گروه 1 (بیماران با مسمومیت خفیف تا متوسط) و 505 بیمار در گروه 2 (بیماران با مسمومیت شدید) قرار گرفتند. مدل توسعه یافته با استفاده از XGBoost با مقدار سطح زیر منحنی 0.907، از سایر مدل ها بهتر عمل کرد. ارزیابی اهمیت ویژگی نشان داد که pH گاز خون وریدی، شمار گلبول‌های سفید خون، و فعالیت کولین استراز پلاسما سه متغیر اصلی هستند که بیشترین نقش را در پیش‌بینی پیش آگهی در بیماران مبتلا به مسمومیت با ارگانوفسفره دارند. مدل XGBoost با دقت 90.1% ، ویژگی 91.4% ، حساسیت 89.5% ، F-meure و آمار کاپا 91.2٪ بهترین عمکلرد را در پیش بینی پروگنوز بیماران مسموم با سموم ارگانوفسفره داشت.

نتیجه‌گیری: مدل‌های پیش‌بینی مبتنی بر یادگیری ماشینی می‌توانند شدت مسمومیت با ارگانوفسفره را به دقت پیش‌بینی کنند. بر اساس تکنیک‌های انتخاب ویژگی، مهم‌ترین پیش‌بینی‌کننده‌های مسمومیت شدید با سموم ارگانوفسفره شامل VBG-pH، شمار گلبول‌های سفید، فعالیت کولین استراز پلاسما، VBG-BE و سن بودند. بهترین الگوریتم با بالاترین عملکرد پیش بینی کنندگی نیز مربوط به مدل XGBoost بود.