دوره 75، شماره 10 - ( دی 1396 )
جلد 75 شماره 10 صفحات 760-752 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Firouzi Jahantigh F, Najafi I, Ostovare M. A model for predicting peritoneal dialysis patients’ survival, using data mining algorithms. Tehran Univ Med J 2018; 75 (10) :752-760
URL: http://tumj.tums.ac.ir/article-1-8478-fa.html
URL: http://tumj.tums.ac.ir/article-1-8478-fa.html
جهانتیغ فرزاد فیروزی، نجفی ایرج، استواره مریم. ارایه مدلی جهت پیش‌بینی بقای بیماران دیالیز صفاقی با استفاده از الگوریتم‌های داده‌کاوی. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1396; 75 (10) :752-760
1- سیستان و بلوچستان، زاهدان، بلوار دانشگاه، دانشگاه سیستان و بلوچستان، دانشکده مهندسی، گروه مهندسی صنایع. تلفن: 2-88905011 -021 ، Firouzi@eng.usb.ac.ir
چکیده: (4393 مشاهده)
زمینه و هدف: دیالیز صفاقی یکی از متداول‌‌ترین روش‌های درمان بیماران مبتلابه مرحله نهایی نارسایی کلیوی می‌باشد. در سال‌های اخیر، نرخ مرگ‌ومیر بیماران تحت این درمان کاهش یافته، اما بقای طولانی‌‌مدت، همچنان چالش مهمی برای سیستم‌های درمانی به شمار می‌رود. پژوهش حاضر با هدف پیش‌بینی بقای بیماران دیالیز صفاقی سرپایی مداوم صورت گرفت.
روش بررسی: در این مطالعه با توجه به تفاوت اهمیت نسبی فاکتورها در بیماران مختلف، ابتدا عوامل مؤثر در بقای بیماران دیالیز صفاقی توسط الگوریتم تصادفی فارست (Random forests analysis) شناسایی شده‌اند. سپس با استفاده از الگوریتم‌های چند کلاسه ماشین بردار پشتیبان یکی در برابر همه و ماشین بردار پشتیبان مبتنی بر رویکرد نگاشت چندفضایی درخت باینری، داده‌های بالینی و آزمایشگاهی بیماران تحت درمان دیالیز صفاقی سرپایی مداوم به‌صورت گذشته‌نگر از مرداد ماه ۱۳۷۵ تا فروردین ماه ۱۳۹۳ در ۱۸ مرکز دیالیز صفاقی ارزیابی‌شد.
یافته‌ها: تعداد ۳۰۹۷ بیمار با میانگین سنی ۱۵/۶۷±۵۰/۶۳ سال و متوسط زمان پیگیری ۱۹/۱۳±۲۴/۴۸ ماه، مورد مطالعه قرار گرفتند. نتایج حاصل از الگوریتم رندوم فارست ۳۵ عامل را به‌عنوان مهمترین عوامل پیش‌بینی کننده بقای تعیین نموده است. سپس پیش‌بینی وضعیت بقای بیماران دیالیز صفاقی با استفاده از دو الگوریتم طبقه‌بندی چند کلاسه ماشین بردار پشتیبان، در پنج کلاس بیماران "باقی‌مانده در روش دیالیز صفاقی"، "انتقال به همودیالیز"، "دریافت پیوند کلیه"، "فوت شده" و "بهبود عملکرد کلیه" ارزیابی‌شد. درستی الگوریتم‌های پیش‌بینی به‌ترتیب ۵۱/۹۹% و ۸۹/۵۷% به‌دست آمد.
نتیجه‌گیری: الگوریتم ماشین بردار پشتیبان مبتنی بر رویکرد نگاشت چندفضایی درخت باینری، با در نظر گرفتن شاخص‌های ارزیابی متعدد و توابع توزیع متفاوت کلاس‌ها، از دقت بالایی جهت پیش‌بینی بقای بیماران دیالیز صفاقی سرپایی مداوم برخورداراست.
روش بررسی: در این مطالعه با توجه به تفاوت اهمیت نسبی فاکتورها در بیماران مختلف، ابتدا عوامل مؤثر در بقای بیماران دیالیز صفاقی توسط الگوریتم تصادفی فارست (Random forests analysis) شناسایی شده‌اند. سپس با استفاده از الگوریتم‌های چند کلاسه ماشین بردار پشتیبان یکی در برابر همه و ماشین بردار پشتیبان مبتنی بر رویکرد نگاشت چندفضایی درخت باینری، داده‌های بالینی و آزمایشگاهی بیماران تحت درمان دیالیز صفاقی سرپایی مداوم به‌صورت گذشته‌نگر از مرداد ماه ۱۳۷۵ تا فروردین ماه ۱۳۹۳ در ۱۸ مرکز دیالیز صفاقی ارزیابی‌شد.
یافته‌ها: تعداد ۳۰۹۷ بیمار با میانگین سنی ۱۵/۶۷±۵۰/۶۳ سال و متوسط زمان پیگیری ۱۹/۱۳±۲۴/۴۸ ماه، مورد مطالعه قرار گرفتند. نتایج حاصل از الگوریتم رندوم فارست ۳۵ عامل را به‌عنوان مهمترین عوامل پیش‌بینی کننده بقای تعیین نموده است. سپس پیش‌بینی وضعیت بقای بیماران دیالیز صفاقی با استفاده از دو الگوریتم طبقه‌بندی چند کلاسه ماشین بردار پشتیبان، در پنج کلاس بیماران "باقی‌مانده در روش دیالیز صفاقی"، "انتقال به همودیالیز"، "دریافت پیوند کلیه"، "فوت شده" و "بهبود عملکرد کلیه" ارزیابی‌شد. درستی الگوریتم‌های پیش‌بینی به‌ترتیب ۵۱/۹۹% و ۸۹/۵۷% به‌دست آمد.
نتیجه‌گیری: الگوریتم ماشین بردار پشتیبان مبتنی بر رویکرد نگاشت چندفضایی درخت باینری، با در نظر گرفتن شاخص‌های ارزیابی متعدد و توابع توزیع متفاوت کلاس‌ها، از دقت بالایی جهت پیش‌بینی بقای بیماران دیالیز صفاقی سرپایی مداوم برخورداراست.
نوع مطالعه: مقاله اصیل |
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
