Tehran University Medical Journal

other تحقق پیش‌بینی زودهنگام بیماری مزمن کلیوی براساس شناسایی موثرترین روش‌های داده‌کاوی Realizing the early prediction chronic kidney disease based-on identifing مقاله اصیل Original Article زمینه و هدف: با توجه به اینکه عوامل مختلفی در پیدایش بیماری‌های مزمن کلیوی دخالت دارند این بیماری با علایم مختلف بالینی و آزمایشگاهی ظاهر می‌شود. این تنوع در تعداد و نوع علایم بالینی، پزشک معالج را در بسیاری از موارد گمراه می‌سازد. پژوهش حاضر با هدف استخراج ویژگی‌های کلیدی بیماری و یافتن بهترین روش‌های داده‌کاوی که باعث بهبود صحت تشخیص و پیش‌بینی بیماری کلیوی می‌شود، صورت گرفته است. روش بررسی: در این مطالعه، اطلاعات و علایم بالینی مربوط به بیماران مبتلا به بیماری کلیوی، از بیمارستان علی‌بن‌ابیطالب رفسنجان از شهریور 1399 تا اسفند 1401 به‌مدت 30 ماه گردآوری شدند. مدل‌های پیش‌بینی با استفاده از ترکیب‌های مختلف از ویژگی‌های بیماری و هفت روش داده‌کاوی، در نرم‌افزار RapidMiner studio ایجاد شده و مورد آزمایش قرار گرفتند. یافته‌ها: نتایج آزمایش&rlm;های این مطالعه نشان می‌دهد که مدل پیش‌بینی ارایه شده با استفاده از روش بیز و هشت ویژگی کلیدی شناسایی شده (سن، بیوپسی کلیه، اورمی، سدیمانتاسیون، آلبومینوری، ورم، شب ادراری و وزن مخصوص ادرار)، می‌تواند ابتلا به بیماری کلیوی را در افراد با ویژگی‌های بالینی مختلف با دقت 38/99% تشخیص دهد.  نتیجه‌گیری: با توجه به اینکه تشخیص زودهنگام بیماری کلیوی و اتخاذ روش درمان مناسب، می‌تواند از پیشروی آسیب کلیوی جلوگیری کند، از این‌رو در این مطالعه سعی شده است با بکارگیری شیوه‌های نوین آماری و تکنیک‌های هوش مصنوعی در تحقق این هدف گام برداشت. براساس روش پیشنهادی و آزمایشات انجام شده، مهمترین ویژگی‌ها و بهترین روش داده‌کاوی به‌دست آمد و در نهایت پیش‌بینی بیماری کلیوی با دقت بالا میسر گردید.   <div>Background: Due to the fact that various factors are involved in the development of chronic kidney disease, this disease appears with different clinical and laboratory symptoms. The variety in type and number of clinical symptoms often misguides the treating physician. The aim of this study is to extract the key features of the disease and find the best data mining methods to improve the accuracy of kidney disease diagnosis. Methods: This cross-sectional study was conducted from September 2021 to March 2023 for 30 months at Rafsanjan Ali Ebn Abi Taleb Hospital. Predictive models were developed and tested using different combinations of disease characteristics and seven data mining methods in RapidMiner Studio software. The limitations of the study are as follows: 1) The models were based on 40-year-old and older patients records, which may limit the generalization of results to a wider age group. 2) Despite the high accuracy and comprehensiveness of the method, the models were based only on the information of kidney disease patients at Ali Ibn Abi Talib Rafsanjan Hospital. 3) The climate parameter has not been considered in the data set of the investigation to discover the hidden relationships of this parameter with the kidney disease.</div> <div> <table align="center" hspace="0" vspace="0"> <tbody> <tr> <td align="left" style="padding-top:0in; padding-right:12px; padding-bottom:0in; padding-left:12px" valign="top"> <div>Results: The results of the experiments in this study showed that the proposed prediction model using the Bayes method and eight identified key features (age, renal biopsy, uremia, sedimentation, albumin, edema, nocturnal enuresis, and urine-specific gravity), can detect kidney disease in people of different clinical characteristics, with 99.38% accuracy. Conclusion: Considering that the early diagnosis of kidney disease and the adoption of appropriate treatment methods can prevent the progression of kidney damage, in this study, an attempt has been made to achieve this goal by using new statistical methods and artificial intelligence techniques. Based on the proposed method and the conducted experiments, the most important features and the best data mining method were obtained, and finally, kidney disease prediction was possible with high accuracy.</div> </td> </tr> </tbody> </table> </div> <div></div> بیماری مزمن کلیوی, داده‌کاوی, تجزیه و تحلیل داده, شبکه عصبی. chronic kidney disease, data analysis, data mining, neural network. 307 318 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-659&slc_lang=other&sid=1 Mahdieh Jamshidi مهدیه جمشیدی Yes Department of Internal Medicine, Faculty of Medicine, Rafsanjan University of Medical Sciences, Rafsanjan, Iran. گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی رفسنجان، رفسنجان، ایران. Vahid Jamshidi وحید جمشیدی No Department of Computer Engineering, Faculty of Engineering, Shahid Bahonar University of Kerman, Kerman, Iran. گروه مهندسی کامپیوتر، دانشکده فنی، دانشگاه شهید باهنر کرمان، کرمان، ایران.