fa پیش بینی مرگ و میر بیماران در بخش مراقبت های ویژه بیمارستان امام حسین(ع) تهران با تکنیک های داده کاوی تخصصي Special پژوهشي Research <div style="text-align: justify;"><span style="font-family:tahoma;">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<span dir="LTR">.</span><br> روش‌ها:این پژوهش به روش مقطعی بر روی اطلاعات838 بیمار بستری در بخش مراقبت‌های ویژه عمومی بین سال‌های ٩1 تا٩٧ در بیمارستان امام حسین(ع) تهران انجام گردید. . الگوریتم هایی ماشین بردار پشتیبانی،<span dir="LTR">K</span>نزدیک‌ترین 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<span dir="LTR">.</span><br> نتایج:در ابتدا پس از بررسی متون،27 فاکتور تأثیرگذار مشخص و در نهایت 26 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 76/0))، صحت (62/75)، دقت (39/68)، حساسیت (65/38)ویژگی(53/94) 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<span dir="LTR">.</span><br> 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<span dir="LTR">.</span></span></div> <div style="text-align: justify;"><strong>Aim</strong>: Intensive Care Unit (ICU) is a ward that is critical to improving the health status of critical conditions. Data mining seems to be a good way to optimize the use of resources. Identifying and analyzing the risk factors associated with mortality will lead to more efficient and accurate planning of hospitalization and interventions. In this study, the prediction of mortality of patients in the intensive care unit of Imam Hossein Hospital in Tehran with data mining techniques is discussed.<br> <strong>Methods:</strong> Based on patient records and hospital information system, 838 patients admitted to the General intensive care unit between 2013 and 2019 in Imam Hossein Hospital in Tehran, the data is needed to collect this research. Algorithms used to classify patients include support vector machines, k nearest neighbor, decision tree, logistic regression and random forest that was reported based on the precision, accuracy, sensitivity, specificity, and roc under the curve.<br> <strong>Results:</strong> The results of this study showed, identified 26 factors affecting specific data and pre-processing of data. Among five of the algorithms used in the study, logistic regression algorithm based on the level of roc curve (0.76), accuracy percentage (75.62),precision (68.39),sensitivity (38.65) and specificity (94.53) had better performance in predicting mortality compared to other techniques of study. The variables of Glucose and Partial Thromboplastin time were the most significant effects on mortality based on the logistic regression model.<br> <strong>Conclusion:</strong> Data analysis in intensive care unit patients can be an appropriate and practical tool for predicting mortality and its related factors, but according to the quality of data, results are different. And the results extracted from logistic regression can be used as a model to predict the status of mortality in the intensive care unit.</div> مرگ ومیر, داده کاوی, بخش مراقبتهای ویژه, مدل پیش بینی Mortality, data mining, intensive care unit, predictive model. 59 67 http://jmis.hums.ac.ir/browse.php?a_code=A-10-200-3&slc_lang=fa&sid=1 Parnian Asgari پرنیان عسگری asgarip951@mums.ac.ir 10031947532846006245 10031947532846006245 No MSc Student, Health Information Technology, Health Information Technology, Faculty of Paramedical Sciences, Mashhad University of Medical Sciences, Mashhad, Iran دانشجوی کارشناسی ارشد، فناوری اطلاعات سلامت، گروه مدارک پزشکی وفناوری اطلاعات سلامت، دانشکده علوم پیراپزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران Alireza Atashi علیرضا آتشی Aratashi@sina.tums.ac.ir 10031947532846006246 10031947532846006246 No Department of Electronic Health, Virtual College,Tehran University of Medical Sciences, Tehran, Iran. گروه سلامت الکترونیک، دانشکده مجازی، دانشگاه علوم پزشکی تهران، تهران، ایران. Marziyeh Meraji مرضیه معراجی merajim1@mums.ac.ir 10031947532846006247 10031947532846006247 Yes Department of Health Information Technology, Mashhad University of Medical Sciences, Mashhad, Iran. گروه مدارک پزشکی و فناوری اطلاعات سلامت، دانشکده علوم پیراپزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران. Mirmohammad Miri میر محمد میری mmmiri@yahoo.com 10031947532846006248 10031947532846006248 No Department of Anesthesiology, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran. گروه بیهوشی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.