Iranian Journal of Nutrition Sciences and Food Technology

fa استقرار نظام غربالگری هوشمند پرفشاری خون: راهکاری نوین برای ارتقای نرخ شناسایی بیماران پرفشاری خون در ایران Implementation of an Intelligent Blood Pressure Screening System: A Novel Strategy for Improving Early Detection and Diagnosis of Hypertension in Iran تغذيه nutrition خلاصه سیاستی Brief Policy سابقه و هدف: پرفشاری خون، یکی از بحرانی‌ترین چالش‌های سلامت عمومی در ایران است (3). این بیماری در صورت عدم تشخیص به‌موقع، منجر به عوارض وخیمی همچون نارسایی‌های قلبی و کلیوی و سکته‌های مغزی می‌گردد (3,7). با توجه به پیر شدن جمعیت و اپیدمی چاقی، نظام‌های غربالگری سنتی حساسیت کافی برای شناسایی زودهنگام را ندارند و بار اقتصادی سنگینی بر سیستم سلامت تحمیل می‌کنند (3,7). مواد و روش‌ها: این پژوهش بر پایه داده‌های مطالعه کوهورت فسا شامل ۹۹۵۱ فرد ۳۵ تا ۷۰ ساله روستایی می‌باشد (1,4). در این مطالعه، از الگوریتم‌های پیشرفته یادگیری ماشین، به ویژه الگوریتم نوین کازمز و مدل جنگل تصادفی، برای شناسایی عوامل خطر و پیش‌بینی ابتلا به پرفشاری خون استفاده شده است(1,5). یافته‌ها: میزان شیوع پرفشاری خون در جمعیت مورد مطالعه ۲۸.۱۳٪ گزارش شد که در زنان (۳۳.۶۹٪) به طور قابل توجهی بیشتر از مردان (۲۱.۳۱٪) است(5). شاخص توده بدنی (BMI) ، قند خون ناشتا، نسبت دور کمر به قد و سابقه بیماری قلبی به عنوان کلیدی‌ترین متغیرهای پیش‌بینی‌کننده شناسایی شدند(1,6). الگوریتم کازمز با حساسیت ۶۶.۲۹٪ بالاترین میزان شناسایی را در میان مدل‌های درخت رده‌بندی داشت و مدل جنگل تصادفی با دقت کلی (AUC) ۷۵.۳۸٪ دقیق‌ترین عملکرد را ارائه داد (1,5,6). داشتن سابقه بیماری قلبی، شانس ابتلا به پرفشاری خون را ۴.۶۱ برابر افزایش می‌دهد(1). نتیجه‌گیری: یافته‌ها نشان می‌دهد که جایگزینی ابزارهای سنتی با نظام‌های غربالگری هوشمند ضرورت دارد (7). پیشنهاد می‌شود الگوریتم‌های یادگیری ماشین در سامانه پرونده الکترونیک سلامت (سیب) ادغام شوند تا با تمرکز بر پیشگوهای کلیدی مثل BMI و چاقی شکمی، شناسایی بیماران در سطح مراقبت‌های اولیه (PHC) ارتقا یابد (8,9). این اقدام می‌تواند بار ناشی از بیماری‌های غیرواگیر را در ایران به طور معناداری کاهش دهد(7). Background and Aim: Hypertension, is a critical public health challenge in Iran, due to its asymptomatic nature. Delayed diagnosis of this disease leads to severe complications, including heart and kidney failure and stroke. Traditional screening lacks the sensitivity needed for an aging population and obesity epidemic. Materials and Methods: This study used data from the Fasa Cohort Study including 9,951 rural participants, aged from 35 to70. Advanced machine learning algorithms, specifically the novel COZMOS algorithm and Random Forest models, were utilized to identify risk factors of hypertension and predict this disease in the cohort under study. Findings: The prevalence of hypertension was 28.13% (33.69% in women; 21.31% in men). BMI, fasting blood sugar, and history of heart disease—which increases risk of hypertension by 4.61-fold—were key predictors. The Random Forest model achieved the highest accuracy (with an estimated AUC of 75.38%). Conclusion: Smart screening systems should replace traditional tools. Integrating AI into Electronic Health Records (SIB) can enhance primary health care (PHC) detection and reduce non-communicable disease burden in our country. درخت رده‌بندی, الگوریتم کازمز, جنگل تصادفی, پرفشاری خون, مطالعه کوهورت فسا Classification tree, COZMOS algorithm, Random forest, Hypertension, FASA cohort study 209 212 http://nsft.sbmu.ac.ir/browse.php?a_code=A-10-4965-1&slc_lang=fa&sid=1 M Taheri Ghaleno سیده ملیکا طاهری قلعه نو melikataheri24@gmail.com 11500319475328460029608 11500319475328460029608 Yes گروه آمار زیستی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران F Zayeri فرید زایری fzayeri@gmail.com 11500319475328460029609 11500319475328460029609 No مرکز تحقیقات پروتئومیکس و گروه آمار زیستی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران F Azizi فریبا عزیزی azizifa4@gmail.com 11500319475328460029610 11500319475328460029610 No استادیار گروه آمار، دانشکده علوم ریاضی، دانشگاه الزهرا، تهران، ایران R Homayounfar رضا همایونفر r_homayounfar@yahoo.com 11500319475328460029611 11500319475328460029611 No انستیتو تحقیقات تغذیه‌ای و صنایع غذایی کشور، دانشکده علوم تغذیه و صنایع غذایی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.