فریبا معلم برازجانی، آزیتا یزدانی، رضا صفدری، سید منصور گتمیری،
دوره 17، شماره 6 - ( 11-1402 )
چکیده
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.
