زمینه و هدف: امروزه داده‌های پزشکی با سرعت فزاینده‌ای جمع‌آوری می‌شوند. این مجموعه داده‌ها حاوی اطلاعات قیمتی هستند که دست‌یابی به آن‌ها با استفاده از روش‌های آزمایشگاهی زمان‌بر و هزینه‌بر خواهد بود. بنابراین نیاز به روش‌هایی کم هزینه برای استخراج اطلاعات وجود دارد. این مطالعه بر توسعه یک مدل پیش‌بینی برای طبقه‌بندی علت سنگ کلیه در اصفهان با استفاده از تکنیک‌های داده‌کاوی متمرکز شده است.
روش بررسی: این پژوهش از بهمن 1399 تا مرداد 1400 به‌صورت مقطعی انجام شده است. مجموعه داده‌ای مورد استفاده شامل اطلاعات 353 بیمار سنگ کلیه در شهر اصفهان است. در این مطالعه شش صفت هدف سدیم، فسفات، اگزالات، سیترات، سیستئین و اسید اوریک تعیین شده است. تکنیک‌های مورد استفاده برای هر یک از شش صفت به‌صورت جداگانه استفاده می‌شود. تکنیک‌های مورد استفاده در این مطالعه شامل جنگل تصادفی، شبکه عصبی و ماشین بردار پشتیبان خواهد بود.
یافته‌ها: بهترین عملکرد از لحاظ میزان صحت مربوط به تکنیک‌های ماشین بردار پشتیبان در کلاس اسید اوریک، ماشین بردار پشتیبان در کلاس اگزالات و شبکه عصبی در کلاس سیستئین است. بدترین عملکرد هم مربوط به تکنیک جنگل تصادفی در کلاس سیترات است. مطمئن‌ترین قوانین با میزان اطمینان 66% مربوط به دو کلاس سیترات و سدیم هست و کم اطمینان‌ترین قاعده با میزان اطمینان 50% مربوط به کلاس اگزالات است.
نتیجه‌گیری: سنگ کلیه می‌تواند به‌دلایل مختلفی از جمله پایین بودن سیترات و بالا بودن اگزالات کلسیم باشد. به‌عنوان مثال برای سیترات، عواملی مانند PH خون، قند خون و فشار خون موثر است. برای جلوگیری از هر یک از دلایل سنگ کلیه، باید عوامل آن کنترل شود.
