مجله دانشکده پزشکی

زمینه: کم‌خونی در بدو تولد موجب ایجاد مشکلاتی مانند آسفیکسی، نارسایی قلبی، شوک و حتی مرگ برای نوزاد می‌شود. علل مختلفی را می‌توان برای کم‌خونی بدو تولد در نظر گرفت. پاروویروس B19 عامل ویروسی می‌باشد که باعث هیدروپس جنینی، کم‌خونی بدو تولد و عوارض متعاقب آن می‌شود.
معرفی بیمار: بیمار، نوزاد پسر با سن حاملگی 36 هفته متولد شده از مادری بدون سابقه مراقبت‌های دوران بارداری می‌باشد. نوزاد بسیار رنگ‌پریده بود و آپگار دقیقه اول 2 داشت که تحت تهویه مکانیکی و تزریق خون مکرر قرار گرفت. بررسی آزمایشگاهی بیمار نشانه عفونت او با پاروویروس B19 بود.
نتیجه‌گیری: پاروویروس B19 به‌عنوان یکی از علل نه‌چندان شایع کم‌خونی در نوزاد هیدروپس جنینی بایستی در تشخیص افتراق کم‌خونی بدو تولد در نظر گرفته شود.

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: شایع‌ترین اختلال خونی به‌ویژه در زنان، بیماری کم‌خونی است. کشف دانش از میان حجم انبوه داده‌ها از سوابق بیماران با استفاده از داده‏کاوی می‏تواند منجر به بهبود کیفیت خدمات پزشکی شود. هدف این مطالعه خوشه‌بندی بیماران کم‌خونی با استفاده از الگوریتم‌های داده‌کاوی به‌منظور تحلیل و ارزیابی وضعیت بیماران است.

روش بررسی: در این پژوهش کاربردی، داده‌های آزمایشگاهی و بالینی بیماران کم‌خونی در جمعیت زنان مورد مطالعه قرار گرفته است. داده‌های مورد بررسی از اردیبهشت ۱۳۹۲ تا اردیبهشت ۱۳۹۳ از آزمایشگاه بیمارستان‌های امام حسین (ع) و شهدای هفتم تیر شهر تهران با ۶۹۰ رکورد و ۱۵ مشخصه‌ی آزمایشگاهی و بالینی از بیماران کم‌خونی جمع‌آوری شده‌است. برای کشف ساختارهای پنهان با استفاده از الگوریتم k-medoids بیماران خوشه‌بندی شده‌اند. برای تعیین کیفیت خوشه‌بندی از شاخص سیلوئت استفاده شده است.

یافته‌ها: مشخصه‌های Red Blood Cell (RBC)، Mean corpuscular hemoglobin (MCH)، Ferritin، GI cancer، GI infection و GI surgery بر اسـاس فرآیند خوشه‌بندی به‌عنوان مهم‌ترین مشخصه‌های بیماران شناسایی شده‌اند. بیماران کم‌خونی با توجه به مشخصه‌هایشان در سه خوشه توزیع شده‌اند. میانگین شاخص سیلوئت(Silhouette Coefficient)  برای کیفیت خوشه‌بندی ۸۰% است. یعنی خوشه‌بندی دارای ساختار قوی می‌باشد.

نتیجه‌گیری: نتایج نشان داد که خوشه‌بندی با کل مشخصه‌ها نتایج مناسبی را ارایه نمی‌دهد. بنابراین هر بار با تعداد متفاوتی از مشخصه‌ها خوشه‌بندی انجام شد. نتایج خوشه‌بندی وضعیت بیماران هر خوشه را مشابه و متمایز از سایر خوشه‌ها نشان می‌دهد. خوشه اول شامل بیماران کم‌خونی فقر آهن خفیف، خوشه دوم شامل بیماران کم‌خونی فقر آهن شدید و خوشه سوم بیماران با دیگر علل کم‌خونی را دربرمی‌گیرد. تقسیم‌بندی بیماران کم‌خونی می‌تواند ابزار مفید و موثر برای تحلیل ‌و بهبود فرآیند تصمیم‏گیری پزشکان در رابطه با درمان بیماران باشد.