fa تشخیص زودهنگام سندرم داون با استفاده از الگوریتم‌های یادگیری ماشین آمار حیاتی Biostatistics كاربردي و توسعه ای Applied با پیشرفت فناوری‌های توالی‌یابی، آزمایش غیرتهاجمی NIPT توسعه یافته است و در غربالگری تریزومی 21 از طریق تشخیص DNA جنین موجود در خون مادر، استفاده می‌شود. برای تحلیل داده‌های  NIPT معمولاً از آزمون Z  استفاده می‌شود. در روش‌های  مورد استفاده برای تشخیص سندرم داون احتمال تشخیص اشتباه وجود دارد. بنابراین ارائۀ روشی که بتواند در کنار روش‌های تشخیصی به‌کار برده شود و کارایی این روش‌ها را بهبود بخشد؛ ضروری است.     هدف اصلی این مقاله طراحی مدلی بر اساس الگوریتم‌های یادگیری ماشین برای تشخیص زودهنگام سندرم داون است؛ به‌طوری‌ که بتوان از این روش‌ها  برای افزایش دقت تشخیص  استفاده کرد. در این مقاله به بهبود روش‌های تشخیصی به کمک الگوریتم‌های یادگیری ماشین  مانند: ماشین بردار پشتیبان، بیز ساده، درخت تصمیم، جنگل تصادفی و نزدیکترین همسایه برای بررسی یک مجموعه دادۀ مربوط به سندرم داون پرداخته شده است.  عملکرد هر یک از مدل‌ها در مجموعه دادۀ سندرم داون بررسی و در نهایت مناسب‌ترین مدل برای این هدف معرفی شده است. نتایج نشان می‌دهند که این الگوریتم‌ها دقت بسیار مناسبی در تشخیص این بیماری دارند. Non-invasive NIPT test has been used in trisomy 21 screening. However, there is a possibility of misdiagnosis in the methods used to diagnose Down syndrome. Therefore, it is essential to provide a process that can be used alongside these methods to improve efficiency. The main goal of this article is to design a model based on machine learning algorithms for the early diagnosis of Down syndrome. Machine learning algorithms such as support vector machine, simple Bayes, decision tree, random forest, and nearest neighbor, which are frequently used to improve the diagnosis of disorders, have been implemented on the mentioned dataset. The performance of each model on the Down syndrome dataset was investigated, and the most suitable model for this purpose was introduced. یادگیری ماشین, سندرم داون, الگوریتم ماشین بردار پشتیبان, الگوریتم درخت تصمیم Decision tree algorithm, Down syndrome, Machine learning, Support vector machine algorithm 275 297 http://jss.irstat.ir/browse.php?a_code=A-10-34-7&slc_lang=fa&sid=1 Abdolreza Sayyareh عبدالرضا سیاره asayyareh@kntu.ac.ir 10031947532846009173 10031947532846009173 Yes K.N. Toosi University of Technology دانشگاه خواجه نصیر Saeide Abdollahzadeh سعیده عبدالله‌زاده saeide.ab77@gmail.com 10031947532846009174 0009-0009-8405-7402 No K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی