ارائه کننده: ملیکا گائینی  

استاد راهنما: دکتر محمدمهدی سپهری

استاد داور داخلی: دکتر علیرضا حسن زاده

 استاد داور خارجی: دکتر محمدرضا قطره سامانی

 نماینده تحصیلات تکمیلی: دکتر علیرضا حسن زاده

تاریخ دفاع: ۱۴۰۵/۰۴/۲۷

چکیده:

فربهی مفرط یکی از مهم‌ترین چالش‌های نظام سلامت در دهه‌های اخیر به شمار می‌رود که با افزایش خطر ابتلا به بیماری‌های قلبی–عروقی، دیابت، پرفشاری خون و سایر اختلالات متابولیک همراه است. جراحی کاهش وزن به عنوان یکی از مؤثرترین روش‌های درمان فربهی مفرط شناخته می‌شود، اما نتایج این جراحی در بیماران مختلف یکسان نبوده و تحت تأثیر عوامل متعددی قرار دارد. ازاین‌رو، پیش‌بینی پیامدهای جراحی پیش از انجام آن، نقش مهمی در انتخاب مناسب بیماران، مدیریت انتظارات درمانی و بهبود تصمیم‌گیری بالینی ایفا می‌کند. پیشرفت فناوری‌های هوش مصنوعی و یادگیری ماشین نیز امکان تحلیل داده‌های پزشکی و استخراج الگوهای مؤثر بر نتایج درمان را فراهم کرده است. هدف این پژوهش، ارائه یک رویکرد داده‌محور برای پیش‌بینی پیامدهای جراحی کاهش وزن با بهره‌گیری از روش‌های یادگیری ماشین و طراحی مدل پیشنهادی کاهش و به‌گزینی درختان جنگل تصادفی با تور کشسان است