|
|
دومین کنگره انفورماتیک پزشکی و هفتمین همایش سلامت الکترونیک
|
|
|
| عنوان فارسی |
مقایسه تکنیک های داده کاوی برای پیش بینی مرگ نوزادان نارس بستری در بخش مراقبتهای ویژه |
|
| چکیده فارسی مقاله |
مقدمه بیمارستانها اطلاعات زیادی در مورد نوزادان نارس بستری در بخش مراقبتهای ویژه نوزادان و شرایط پزشکی آنها در پرونده بیمار نگهداری می کنند. ایجاد پایگاه داده های الکترونیک و تحلیل این داده ها نقش مهمی در تصمیم گیری بهتر و مدیریت مناسبتر این نوزادان ایفا می کند. استفاده از داده های نوزادان نارس برای پیشبینی مرگ آنها می تواند تاثیر بسیار مثبتی در تصمیم گیری های به موقع برای اقدامات لازم جهت حفظ سلامت آنها داشته باشد. هدف از انجام این پژوهش ایجاد پایگاه دادها نوزادان بستری در بخش مراقبت های ویژه نوزادان و بکارگیری روشهای داده کاوی برای پیش بینی مرگ نوزادان و در نهایت انتخاب بهترین مدل پیش بینی مرگ نوزاد بود. روش بررسی در این پژوهش پس از طراحی فرمهای الکترونیک برای ذخیره داده های 891 نوزاد بستری در NICU و انجام پیش پردازش های لازم روی داده ها (کاهش ابعاد پایگاه داده، استخراج ویژگی، انتخاب ویژگی)، از روشهای شبکه عصبی مصنوعی (ANN)، درخت تصمیم (DT)، ماشین بردار پایه (SVM)، K نزدیکترین همسایه (KNN)، جنگل تصادفی (RF)، رگرسیون لجستیک (LR) و نایو بیزین (NB) برای پیش بینی مرگ نوزادان استفاده شد. تمام تحلیلها در نرم افزار داده کاوی رپیدماینر انجام شد و در نهایت منحنی های ROC در نرم افزار SPSS رسم شد. یافته ها نتایج پژوهش حاکی از آن بود که روش انتخاب ویژگی مبتنی بر Correlation به مراتب نسبت به روش Information Gain بهتر عمل کرد. همچنین نتایج نشان داد که روش KNN با سطح زیر منحنی ROC معادل 0.980 درصد بهترین روش برای پیش بینی مرگ نوزادان بود. همچنین روش های ANN و DT به ترتیب با سطح زیر منحنی 0.963 و 0.969 درصد در رتبه دوم و سوم قرار داشتند. نتیجه گیری براساس یافته های پژوهش حاضر سه روش دادهکاوی KNN، ANN و DT بهترین روش برای پیش بینی مرگ نوزادان هستند و می توانند در بطن سیستمهای تصمیم یار برای پیش بینی مرگ نوزاد و انجام اقدامات موثر برای مقابله با آن استفاده شوند. |
|
| کلیدواژه‌های فارسی مقاله |
|
|
| عنوان انگلیسی |
Comparison of data mining techniques to predict the death of premature infants admitted to the intensive care unit |
|
| چکیده انگلیسی مقاله |
Background: Hospitals hold a lot of information about the premature infants admitted to the NICU and their medical conditions in the patient's medical record. Creating electronic databases and analyzing these data plays an important role in making better decision and improved management of these infants. Using the data of premature infants to predict their death, can have a very positive effect on making sensitive decisions for measures to maintain their health. The purpose of this study was to create a database for infants admitted to the NICU and to use data analysis methods to predict the death of infants and finally to select the best predictor model for the premature infant death. Method and Materials: In this research, after designing electronic forms for storing data of 891 newborns admitted to NICU and performing pre-processing on data (reduction of database dimensions, feature extraction, feature selection), Artificial neural network (ANN), Decision Tree (DT), Support Vector Machine (SVM), K Nearest Neighbor (KNN), Random Forest (RF), Logistic Regression (LR) and Naive Bayes (NB) used for prediction of premature infant death. All analyzes were done in the Rapid Miner software. Finally, the ROC curves were plotted in SPSS software. Results: The results of the study indicated that the Correlation based feature selection method was better than the information gain method. Also, the results showed that the KNN method with the surface under the ROC curve was 0.980%, the best way to predict the death of infants. Also, ANN and DT methods were ranked second and third with 0.963 and 0.969 percent respectively. Conclusion: According to the findings of this study, the three methods of KNN, ANN and DT data analysis are the best way to predict premature infant death, and can be used in decision support systems to predict the death of an infant and to take effective measures to counteract it. |
|
| کلیدواژه‌های انگلیسی مقاله |
نوزاد نارس, پایگاه داده, انتخاب ویژگی, داده کاوی |
|
| نویسندگان مقاله |
aynaz nourani - iran university of medical sciences
keivan mirnia - tabriz university of medical sciences
arash bordbar - iran university of medical sciences
|
|
| نشانی اینترنتی |
http://mieh-2018.modares.ac.ir/browse.php?a_code=A-10-199-1&slc_lang=fa&sid=1 |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
دوره مرتبط |
کنفرانس مرتبط |
فهرست کنفرانس ها
|
