مجله دانشکده پزشکی

---

زمینه و هدف: داده‌کاوی یکی از زمینه‌های چند تخصصی برآمده از زمینه‌های علومی چون آمار، ریاضی، رایانه و هوش مصنوعی است که کاربردهای آن در حیطه‌های گوناگون پژوهشی، مدیریتی و اجرایی سلامت و درمان رو به گسترش است. داده‌کاوی استخراج دانش و اطلاعات ناشناخته، نهان و ارزشمند از داده‌های موجود در پایگاه‌های داده به‌طور خودکار است. به‌کارگیری داده‌کاوی بر روی داده‌های پزشکی، دستاوردهای حیاتی، با ارزش و اثرگذاری را به ارمغان آورده و از جمله می‌تواند برای یاری رسانی به پزشکان در زمینه تشخیص نوع بیماری و یا انتخاب نوع درمان مناسب کمک شایانی در زمینه نجات جان انسان‌ها انجام دهد. در این مقاله داده‌کاوی روی اطلاعات مربوط به بیماران مبتلا به سنگ حالب انجام شده است تا بتوان به کمک آن سیستم کمک تصمیمی طراحی کرد که جهت تعیین نوع درمان بیماران مبتلا به سنگ حالب، با توجه به خصوصیات بیماران استفاده گردد. روش بررسی: اطلاعات مربوط به این بیماران از بیمارستان شهید هاشمی‌نژاد جمع‌آوری گردید و پس از انجام یک‌سری پیش پردازش اولیه، درخت تصمیم مربوط به انتخاب روش درمانی مناسب برای بیماران استخراج گردید. یافته‌ها: با کمک این روش، پارامترهای موثر روی انتخاب روش درمانی مناسب برای بیماران مبتلا به سنگ حالب استخراج شد. نتیجه‌گیری: با استفاده از این درخت برای انتخاب روش درمانی موفق برای بیماران مبتلا به سنگ حالب، عملکرد بیمارستان بهبود می‌یابد یعنی تعداد بیشتری از بیماران، پس از انجام روش درمانی، به طور کامل بهبود می‌یابند.

---

زمینه و هدف: داده‌کاوی به‌عنوان فرایند شناسایی و تجزیه ‌و تحلیل مقدار زیادی داده به‌منظور یافتن رفتارها و قوانین معنا‌دار است. داده‌کاوی در بهداشت و درمان فرصت‌های بی‌شماری را برای بررسی الگوهای پنهان از یک مجموعه داده فراهم می‌کند. این الگوها را می‌توان توسط پزشکان برای تشخیص، پیش‌آگاهی و درمان بیماران استفاده کرد. هدف اصلی در این مطالعه استفاده از تکنیک‌های داده‌کاوی برای پیش‌بینی سطح فریتین سرم در زنان مبتلا به کم‌خونی و شناسایی متغیرهای اساسی در تشخیص این بیماری می‌باشد.

روش بررسی: در این پژوهش کاربردی، تعداد 690 بیمار و 22 متغیر در جمعیت زنان مبتلا به بیماری کم‌خونی بررسی شده‌اند. داده‌ها مربوط به بیمارانی بود که از اردیبهشت 1392 تا اردیبهشت 1393 به آزمایشگاه بیمارستان‌های امام حسین (ع) و شهدای هفتم‌تیر مراجعه کرده‌اند. از تکنیک درخت تصمیم برای ساخت مدل استفاده شد.

یافته‌ها: دقت مدل دسته‌بند درخت تصمیم با تمام متغیرها 75% بود. ترکیب‌های متفاوت از متغیرها جهت یافتن بهترین مدل برای پیش‌بینی بررسی شدند. با توجه به مدل بهینه درخت تصمیم به‌دست آمده، متغیرهای RBC، MCH، MCHC، زخم‌های معده-روده و سرطان معده-روده، به‌عنوان مهم‌ترین عوامل پیش‌بینی‌کننده شناخته شدند. نتایج نشان داد که اگر مقدار متغیرهای Mean corpuscular volume (MCV)، Mean corpuscular hemoglobin concentration (MCHC) و Mean corpuscular hemoglobin (MCH) نرمال و متغیر RBC کمتر از حد نرمال باشند، فرد با احتمال %90 به کم‌خونی فقر آهن مبتلا است.

نتیجه‌گیری: با توجه به سادگی و هزینه پایین آزمایش شمارش کامل خون، مدل درخت تصمیم به‌منظور تشخیص بیماری کم‌خونی فقر آهن ایجاد شد. همچنین در این پژوهش تاثیر عوامل جدیدی مانند جراحی‌ها و بیماری‌های مختلف در نظر گرفته شد. قوانین به‌دست‌آمده از مدل درخت تصمیم می‌تواند فرایند تشخیص و درمان بیماران مبتلا به کم‌خونی فقر آهن را بهبود بخشد.

---

زمینه و هدف: تکنیک‌های داده کاوی از معروف‌ترین روش‌ها به‌منظور استخراج دانش و داده‌های نهان و ارزشمند در حیطه پزشکی می‌باشند و از مهمترین دستاوردهای آن می‌توان به کمک‌رسانی در زمینه تشخیص نوع بیماری و یا انتخاب نوع درمان اشاره کرد. هدف از این مطالعه پرداختن به دو مسئله شناخت علایم بالینی تاثیرگذار بر روی بیماری اِسکلروزِ چندگانه (Multiple sclerosis, MS) و بررسی میزان تاثیرگذاری فاکتورهای مختلف در این بیماری و رابطه بین این فاکتورها با انواع دسته‌بندی موجود بیماری بود.

روش بررسی: داده‌ها مربوط به بیماران اِسکلروزِ چندگانه مربوط به استان چهارمحال و بختیاری بود. این مطالعه پژوهشی در آزمایشگاه دانشگاه صنعتی شیراز همراه با همکاری تیم پزشکی انجام شد.

یافته‌ها: در این مطالعه در بررسی مسئله اول مشخص شد که بیشترین علایم تاثیرگذار در این بیماری علایم بالینی- بینایی بود و در بررسی مسئله دوم نتایج حاصل‌شده نشان داد که نسبت ابتلا زنان به مردان چهار برابر می‌باشد. در واقع ۷۰% از افراد مبتلا، با تحصیلات بالاتر از دیپلم در دسته عود کننده- بهبود یابنده قرار گرفته‌اند و ۶۲/۵% از افراد در محدوده سنی ۲۰ تا ۴۰ سال هستند.

نتیجه‌گیری: وجود برخی از علایم MS در افراد، موقت و گذراست و در بسیاری از موارد توسط افراد نادیده گرفته می‌شود که در صورت آگاهی از چگونگی شیوع علایم بالینی، می‌تواند یک اخطار برای افراد پیش از شروع دوره بحرانی بیماری باشد که به‌نوبه خود می‌تواند موجب تشخیص سریع‌تر، درمان موثرتر و تا حدی جلوگیری از پیشرفت بیماری شود.

---

---

زمینه و هدف: مالتیپل اسکلروزیس Multiple sclerosis, MS)) جزو ناتوان‌کننده‌ترین بیماری در بالغین جوان است. آگاهی از نمره ناتوانی این بیماران (Expanded disability status scale, EDSS)، در انتخاب روند درمانی آنان مفید است. محاسبه EDSS وقت زیادی از پزشک متخصص می‌گیرد. هدف از این مطالعه برآورد نمره EDSS بیماران MS با استفاده از مدل‌های شبکه عصبی مصنوعی (ANN) و درخت تصمیم (DT) بود.
روش بررسی: این مطالعه مقطعی بر روی داده‌های مطالعه رجیستری MS استان کرمانشاه از اردیبهشت 1396 تا آذر 1397 انجام شد. 12 متغیر شامل اطلاعات دموگرافیک، اطلاعاتی در مورد بیماری MS افراد و نمره EDSS آنان از مجموعه داده‌ها استخراج گردید. نمره EDSS افراد توسط مدل‌های ANN و DT نیز برآورد شد. عملکرد مدل‌ها از نظر خطای برآورد، همبستگی و میانگین نمره برآورد شده، مورد مقایسه قرار گرفت. از (Waikato Environment for Knowledge Analysis (Weka), University of Waikato, New Zealand) و SPSS software, version 25 (IBM SPSS, Armonk, NY, USA) استفاده شد.
یافته‌ها: 353 نفر با میانگین‌های سن 47/36±1/9 سال، سن شروع بیماری 34/30±2/9 سال، طول دوره بیماری 20/6±7/5 سال و نمره 8/1±46/2 EDSS بررسی شدند. خطاهای برآورد در مدل DT کمتر از مدل ANN بود. نمره EDSS واقعی همبستگی معنی داری با نمره برآورد شده توسط (571/0DT (r= و (623/0ANN (r= داشت. میانگین EDSS برآورد شده توسط DT (46/2±1/1) تفاوت معناداری با میانگین EDSS واقعی نداشت (621/0P=). میانگین EDSS برآورد شده توسط ANN (87/2±3/1) به‌طور معناداری بیشتر از میانگین EDSS واقعی بود (05/0P<).
نتیجه‌گیری: مدل DT نسبت به مدل ANN، نمره EDSS را بهتر برآورد کرد و به نمرات واقعی EDSS نزدیکتر بود. با مدل DT می‌توان EDSS بیماران MS را با دقت مناسبی تخمین زد.