fa ارایه مدلی جهت پیش‌بینی بقای بیماران دیالیز صفاقی با استفاده از الگوریتم‌های داده‌کاوی مقاله اصیل Original Article <div style="text-align: justify;"><span style="font-family:yekanyw;"><strong><em><span style="font-size:10.0pt;">زمینه و هدف:</span></em></strong> <span style="font-size:10.0pt;">دیالیز‌ صفاقی یکی از متداول‌‌ترین روش‌های درمان بیماران مبتلابه مرحله نهایی نارسایی کلیوی می‌باشد. در سال‌های اخیر، نرخ مرگ‌ومیر بیماران تحت این درمان کاهش ‌یافته، اما بقای طولانی‌‌مدت، همچنان چالش مهمی برای سیستم‌های درمانی به شمار می‌رود. پژوهش حاضر با هدف پیش‌بینی بقای بیماران دیالیز صفاقی سرپایی مداوم صورت گرفت.</span><br> <strong><em><span style="font-size:10.0pt;">روش بررسی: </span></em></strong><span style="font-size:10.0pt;">در این مطالعه با توجه به تفاوت اهمیت نسبی فاکتورها در بیماران مختلف، ابتدا عوامل مؤثر در بقای بیماران دیالیز صفاقی توسط الگوریتم تصادفی فارست </span><span dir="LTR"><span style="font-size:8.0pt;">(Random forests analysis)</span></span><span style="font-size:10.0pt;"> شناسایی ‌شده‌اند. سپس با استفاده از الگوریتم‌های چند کلاسه ماشین بردار پشتیبان یکی در برابر همه و ماشین بردار پشتیبان مبتنی بر رویکرد نگاشت چندفضایی درخت باینری، داده‌های بالینی و آزمایشگاهی بیماران تحت درمان دیالیز صفاقی سرپایی مداوم به‌صورت گذشته‌نگر از مرداد ماه ۱۳۷۵ تا فروردین ماه ۱۳۹۳ در ۱۸ مرکز دیالیز صفاقی ارزیابی‌شد.</span><br> <strong><em><span style="font-size:10.0pt;">یافته‌ها:</span></em></strong> <span style="letter-spacing:-.2pt;"><span style="font-size:10.0pt;">تعداد ۳۰۹۷ بیمار با میانگین سنی ۱۵/۶۷</span></span><span style="letter-spacing:-.2pt;"><span style="font-size:10.0pt;">&plusmn;</span></span><span style="letter-spacing:-.2pt;"><span style="font-size:10.0pt;">۵۰/۶۳ سال و متوسط زمان پیگیری ۱۹/۱۳</span></span><span style="letter-spacing:-.2pt;"><span style="font-size:10.0pt;">&plusmn;</span></span><span style="letter-spacing:-.2pt;"><span style="font-size:10.0pt;">۲۴/۴۸ ماه، مورد مطالعه قرار گرفتند. نتایج حاصل از الگوریتم رندوم فارست ۳۵ عامل را به‌عنوان مهمترین عوامل پیش‌بینی کننده بقای تعیین نموده است. سپس پیش‌بینی وضعیت بقای بیماران دیالیز صفاقی با استفاده از دو الگوریتم طبقه‌بندی چند کلاسه ماشین بردار پشتیبان، در پنج کلاس بیماران &quot;باقی‌مانده در روش دیالیز صفاقی&quot;، &quot;انتقال به همودیالیز&quot;، &quot;دریافت پیوند کلیه&quot;، &quot;فوت شده&quot; و &quot;بهبود عملکرد کلیه&quot; ارزیابی‌شد. درستی الگوریتم‌های پیش‌بینی به‌ترتیب ۵۱/۹۹% و ۸۹/۵۷% به‌دست ‌آمد</span></span><span style="font-size:10.0pt;">.</span><br> <strong><em><span style="font-size:10.0pt;">نتیجه‌گیری: </span></em></strong><span style="font-size:10.0pt;">الگوریتم ماشین بردار پشتیبان مبتنی بر رویکرد نگاشت چندفضایی درخت باینری، با در‌ نظر گرفتن شاخص‌های ارزیابی متعدد و توابع توزیع متفاوت کلاس‌ها، از دقت بالایی جهت پیش‌بینی بقای بیماران دیالیز صفاقی سرپایی مداوم برخورداراست.</span></span></div> <div style="text-align: justify;"><strong>Background</strong>: Peritoneal dialysis is one of the most commonly used treatment methods for the patients with end stage renal failure. In recent years, the mortality rate of patients under this treatment has decreased; however, long-term survival is still an important challenge for health systems. The present study aimed to predict the survival of continuous ambulatory peritoneal dialysis patients.<br> <strong>Methods</strong>: In this retrospective study, according to the difference of relative importance of demographic characteristics, laboratory data, dialysis adequacy parameters and nutritional status in various patients, the factors affecting the survival of peritoneal dialysis patients have been identified by random forest algorithm. Then, the clinical and laboratory data of patients undergoing continuous ambulatory peritoneal dialysis treatment were evaluated retrospectively from July 1996 to April 2014 in 18 peritoneal dialysis centers, using multi-class one against all support vector machine (OAA-SVM) and multi-space mapped binary tree support vector machine (MBT-SVM) algorithms.<br> <strong>Results</strong>: 3097 patients were studied with the mean age of 50.63&plusmn;15.67 years and average follow-up time of 24.48&plusmn;19.13 months. The results of the random forest algorithm have identified 35 factors as the most important predictors of peritoneal dialysis patient&rsquo;s survival. Then, the prediction of peritoneal dialysis patients&rsquo; survival status was evaluated using one against all support vector machine and multi-space mapped binary tree support vector machine algorithms in 5 classes of patients including &ldquo;still on peritoneal dialysis&rdquo;, &ldquo;transferred to hemodialysis&rdquo;, &ldquo;received a kidney transplant&rdquo;, &ldquo;died&rdquo; and &ldquo;improved kidney function&rdquo;. The reliability of survival prediction algorithms were 51.99% and 89.57% respectively.<br> <strong>Conclusion</strong>: An accurate prediction model would be a potentially useful way to evaluate patients&rsquo; survival at peritoneal dialysis that increased clinical scrutiny and timely intervention could be brought to bear. So, in this research, the multi-space mapped binary tree support vector machine algorithm has a high precision in predicting the survival of continuous ambulatory peritoneal dialysis patients considering multiple evaluation indices and different class distribution functions.</div> دیالیز صفاقی سرپایی مداوم, داده‌کاوی, وضعیت سلامت, پژوهش‌های گذشته‌نگر, میزان بقا continuous ambulatory peritoneal dialysis, data mining, health status, retrospective studies, survival rate 752 760 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3219-2&slc_lang=fa&sid=1 Farzad Firouzi Jahantigh فرزاد فیروزی جهانتیغ Firouzi@eng.usb.ac.ir Yes Department of Industrial Engineering, Faculty of Engineering Shahid Nikbakht, Sistan and Baluchestan University, Zahedan, Iran. سیستان و بلوچستان، زاهدان، بلوار دانشگاه، دانشگاه سیستان و بلوچستان، دانشکده مهندسی، گروه مهندسی صنایع. تلفن: 2-88905011 -021 Iraj Najafi ایرج نجفی No Department of Nephrology, Shariati Hospital, Tehran University of Medical Sciences, Tehran, Iran. Maryam Ostovare مریم استواره No Department of Industrial Engineering, Faculty of Engineering Shahid Nikbakht, Sistan and Baluchestan University, Zahedan, Iran.