Ethics code: IR.TUMS.SPH.REC.1402.037
فریبا معلم برازجانی1 
، آزیتا یزدانی2 ، رضا صفدری* 3، سید منصور گتمیری4
، آزیتا یزدانی2 ، رضا صفدری* 3، سید منصور گتمیری4
1- دانشجوی کارشناسی ارشد انفورماتیک پزشکی، دانشکده علوم پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
2- استادیار گروه مدیریت اطلاعات سلامت، مرکز تحقیقات مدیریت سلامت و منابع انسانی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی شیراز، شیراز، ایران
3- استاد گروه مدیریت اطلاعات سلامت، دانشکده علوم پیراپزشکی، دانشگاه علوم یزشکی تهران، تهران، ایران ،rsafdari@tums.ac.ir
4- دانشیار گروه بیماری‌های کلیه، مرکز تحقیقات نفرولوژی، قطب نفرولوژی، دانشکده پزشکی، مجتمع بیمارستانی امام خمینی(ره)، دانشگاه علوم پزشکی تهران، تهران، ایران
2- استادیار گروه مدیریت اطلاعات سلامت، مرکز تحقیقات مدیریت سلامت و منابع انسانی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی شیراز، شیراز، ایران
3- استاد گروه مدیریت اطلاعات سلامت، دانشکده علوم پیراپزشکی، دانشگاه علوم یزشکی تهران، تهران، ایران ،
4- دانشیار گروه بیماری‌های کلیه، مرکز تحقیقات نفرولوژی، قطب نفرولوژی، دانشکده پزشکی، مجتمع بیمارستانی امام خمینی(ره)، دانشگاه علوم پزشکی تهران، تهران، ایران
چکیده: (42 مشاهده)
زمینه و هدف: نارسایی کلیه از مشکلات شایع و رو به افزایش در ایران و جهان به شمار می‌رود. پیوند کلیه به عنوان روش‌درمانی ارجح برای بیماران مبتلا به ESRD شناخته شده است. یادگیری ماشین به عنوان یکی از ارزشمند‌ترین شاخه‌های هوش مصنوعی در زمینه‌ی پیش‌بینی بقای بیماران یا پیش‌بینی بروز حـالات مختلف در بیماران کاربرد بسزایی دارد. هدف از انجام این پژوهش پیش‌بینی پیامدهای پیوند کلیه در بیماران، با استفاده از یادگیری ماشین است.
روش بررسی: از آن‌جایی که یکی از قوی‌ترین روش‌شناسی‌ها در زمینه‌ی اجرا و پیاده‌سازی پروژه‌های داده کاوی CRISP است، این روش‌شناسی به عنوان روش کار انتخاب شد. به منظور شناسایی عوامل مؤثر در پیش‌بینی پیامدهای پیوند کلیه، پس از مرور متون مرتبط، چک‌لیستی محقق ساخته جهت مشخص کردن میزان ضرورت هرکدام از عوامل مؤثر بر نتیجه‌ی پیوند برای تعدادی از نفرولوژیست‌های سراسر کشور ارسال شده و نتایج تحلیل و بررسی شد. سپس با استفاده از زبان پایتون و الگوریتم‌های مختلف یادگیری ماشین از جمله ماشین‌بردار پشتیبان، جنگل‌های تصادفی، K نزدیک‌ترین همسایه، گرادیان افزایشی و یادگیری عمیق، به مدل‌سازی بر روی داده‌ها پرداخته شد.
یافته‌ها: مدل نهایی از نوع چند برچسبی و بر اساس الگویتم جنگل تصادفی بود که بتواند پیامدهای مختلف پیوند کلیه که در این مطالعه شامل احتمال پس‌زدگی، واکنش‌های دیابتیک، واکنش‌های بدخیمی و بستری مجدد بیمار بود را به صورت یک جا پیش‌بینی کند. پس از انجام مراحل پیش پردازش بر روی داده ها و مدل‌سازی بر روی ویژگی‌های داده‌ی ورودی به وسیله الگوریتم‌های مختلف، مدل نهایی قادر بود با خطایی کمتر از ۰/۰۱ به پیش‌بینی چهار مورد پیامد پیوند کلیه یعنی پس‌زدگی، ابتلا به دیابت، واکنش‌های بدخیمی و بستری مجدد بیمار بپردازد.
نتیجه‌گیری: میزان بالای درستی و دقت مدل جنگل تصادفی نشان از قدرت بالای این مدل برای پیش‌بینی پیامدهای پیوند کلیه دارد. در این مطالعه، مؤثرترین عوامل در ابتلای بیمار به پیامدهای ذکر شده شناسایی شد. برای نمونه‌های جدید با استفاده از این سیستم مبتنی بر یادگیری ماشین می‌توان به پیش‌بینی احتمال بروز این پیامدها برای بیماران پرداخت.
روش بررسی: از آن‌جایی که یکی از قوی‌ترین روش‌شناسی‌ها در زمینه‌ی اجرا و پیاده‌سازی پروژه‌های داده کاوی CRISP است، این روش‌شناسی به عنوان روش کار انتخاب شد. به منظور شناسایی عوامل مؤثر در پیش‌بینی پیامدهای پیوند کلیه، پس از مرور متون مرتبط، چک‌لیستی محقق ساخته جهت مشخص کردن میزان ضرورت هرکدام از عوامل مؤثر بر نتیجه‌ی پیوند برای تعدادی از نفرولوژیست‌های سراسر کشور ارسال شده و نتایج تحلیل و بررسی شد. سپس با استفاده از زبان پایتون و الگوریتم‌های مختلف یادگیری ماشین از جمله ماشین‌بردار پشتیبان، جنگل‌های تصادفی، K نزدیک‌ترین همسایه، گرادیان افزایشی و یادگیری عمیق، به مدل‌سازی بر روی داده‌ها پرداخته شد.
یافته‌ها: مدل نهایی از نوع چند برچسبی و بر اساس الگویتم جنگل تصادفی بود که بتواند پیامدهای مختلف پیوند کلیه که در این مطالعه شامل احتمال پس‌زدگی، واکنش‌های دیابتیک، واکنش‌های بدخیمی و بستری مجدد بیمار بود را به صورت یک جا پیش‌بینی کند. پس از انجام مراحل پیش پردازش بر روی داده ها و مدل‌سازی بر روی ویژگی‌های داده‌ی ورودی به وسیله الگوریتم‌های مختلف، مدل نهایی قادر بود با خطایی کمتر از ۰/۰۱ به پیش‌بینی چهار مورد پیامد پیوند کلیه یعنی پس‌زدگی، ابتلا به دیابت، واکنش‌های بدخیمی و بستری مجدد بیمار بپردازد.
نتیجه‌گیری: میزان بالای درستی و دقت مدل جنگل تصادفی نشان از قدرت بالای این مدل برای پیش‌بینی پیامدهای پیوند کلیه دارد. در این مطالعه، مؤثرترین عوامل در ابتلای بیمار به پیامدهای ذکر شده شناسایی شد. برای نمونه‌های جدید با استفاده از این سیستم مبتنی بر یادگیری ماشین می‌توان به پیش‌بینی احتمال بروز این پیامدها برای بیماران پرداخت.
نوع مطالعه: كاربردي |
موضوع مقاله:
فناوری اطلاعات سلامت
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
