دوره 5، شماره 2 - ( پاییز و زمستان 1398 )
جلد 5 شماره 2 صفحات 67-59 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Asgari P, Atashi A, Meraji M, Miri M. The Comparison of Selected Data-mining techniques in ICU Mortality Risk Prediction in Imam Hossein hospital. JMIS 2019; 5 (2) :59-67
URL: http://jmis.hums.ac.ir/article-1-208-fa.html
URL: http://jmis.hums.ac.ir/article-1-208-fa.html
عسگری پرنیان، آتشی علیرضا، معراجی مرضیه، میری میر محمد. پیش بینی مرگ و میر بیماران در بخش مراقبت های ویژه بیمارستان امام حسین(ع) تهران با تکنیک های داده کاوی. اطلاع‌رسانی پزشکی نوین. 1398; 5 (2) :59-67
گروه مدارک پزشکی و فناوری اطلاعات سلامت، دانشکده علوم پیراپزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران.
چکیده: (4900 مشاهده)
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 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،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،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.
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.
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،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،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.
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.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
