دوره 79، شماره 9 - ( آذر 1400 )                   جلد 79 شماره 9 صفحات 714-706 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mortazavi M, Atapour A, Mohammadi M, Sattari M. Predicting the cause of kidney stones in patients using random forest, support vector machine and neural network. Tehran Univ Med J. 2021; 79 (9) :706-714
URL: http://tumj.tums.ac.ir/article-1-11437-fa.html
مرتضوی مژگان، عطاپور عبدالامیر، محمدی مریم، ستاری محمد. پیش‌بینی علت سنگ کلیه در بیماران کلیوی با استفاده از تکنیک‌های جنگل تصادفی، ماشین بردار پشتیبان و شبکه عصبی. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1400; 79 (9) :714-706

URL: http://tumj.tums.ac.ir/article-1-11437-fa.html


1- مرکز تحقیقات بیماریهای کلیوی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران.
2- گروه مدیریت و فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران.
3- مرکز تحقیقات و فناوری اطلاعات در امور سلامت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. ، msattarimng.mui@gmail.com
چکیده:   (539 مشاهده)
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.
واژه‌های کلیدی: داده‌کاوی، پیش‌بینی، سنگ کلیه.
متن کامل [PDF 466 kb]   (174 دریافت)    
نوع مطالعه: مقاله اصیل |

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2022 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb