هدف: حجم عظیمی از داده‌ها در بخش مراقبتهای ویژه تولید می‌شود، به نظر می‌رسد داده‌کاوی راهکار مناسبی برای استفاده‌ی بهینه از منابع باشد. شناسایی و تحلیل عوامل پرخطر مرتبط با مرگ‌ومیر، منجر به برنامه ریزی کاراتر و دقیق‌تر جهت بستری و انجام مداخلات خواهد شد. این پژوهش باهدف استفاده از تکنیک‌های داده‌کاوی جهت پیش‌بینی مرگ‌ومیر در بخش مراقبت ویژه صورت گرفته است.
روش‌ها:این پژوهش به روش مقطعی بر روی اطلاعات۸۳۸ بیمار بستری در بخش مراقبتهای ویژه عمومی بین سال‌های ٩۱ تا٩٧ در بیمارستان امام حسین(ع) تهران انجام گردید. . الگوریتم هایی ماشین بردار پشتیبانی،Kنزدیک‌ترین همسایه، درخت تصمیم، جنگل تصادفی و رگرسیون لجستیک جهت داده‌کاوی استفاده گردید. مراحل انجام داده‌کاوی طبق مدل کریسپ در پنج مرحله صورت گرفت. ارزیابی مدل بر اساس صحت، دقت، ویژگی، حساسیت و سطح زیر منحنی راک گزارش گردید.
نتایج:در ابتدا پس از بررسی متون،۲۷ فاکتور تأثیرگذار مشخص و در نهایت ۲۶ فاکتور برای انجام تکنیک‌ها مورد استفاده قرار گرفت. از میان الگوریتم‌های منتخب که در مطالعه استفاده گردید، الگوریتم رگرسیون لجستیک بر اساس سطح زیر منحنی راک ۷۶/۰))، صحت (۶۲/۷۵)، دقت (۳۹/۶۸)، حساسیت (۶۵/۳۸)ویژگی(۵۳/۹۴) عملکرد بهتری در پیش‌بینی مرگ‌ومیر نسبت به سایر الگوریتم‌های مطالعه داشت. در ضمن متغیرهای گلوکز و زمان نسبی ترومبوپلاستین بیشترین تأثیر را بر مرگ و میر بر اساس مدل رگرسیون لجستیک داشت.
نتیجه‌گیری: تجزیه و تحلیل داده‌های موجود در بیماران بخش مراقبتهای ویژه می‌تواند ابزاری مناسب و کاربردی برای پیش‌بینی مرگ‌ومیر و عوامل مرتبط با آن باشد اما با توجه به کیفیت داده‌ها نتایج متفاوت می‌باشد با این حال فرآیندها و روش‌های ذکرشده در این مطالعه بیان می‌کند که قوانین استخراج‌شده از رگرسیون لجستیک می‌تواند به عنوان الگویی برای پیش‌بینی وضعیت مرگ ومیر در بخش مراقبتهای ویژه مورد استفاده قرار گیرد.
