دومین کنگره انفورماتیک پزشکی و هفتمین همایش سلامت الکترونیک
عنوان فارسی توسعه سیستم پشتیبان تصمیم‌ بالینی برای تشخیص پیش بینی و مدیریت بیماری نارسایی مزمن کلیه.
چکیده فارسی مقاله چکیده مقدمه: بیماری مزمن کلیه یکی از مهم ترین نگرانی های سلامت عمومی در سراسر جهان به شمار می آید که بصورت یک اصطلاح کلی برای اختلالات ناهمگونی که ساختار و عملکرد کلیه را تحت تاثیر قرار می دهد، تعریف می شود. هدف از مطالعه حاضر توسعه یک سیستم پشتیبان تصمیم بالینی جهت تشخیص، پیش بینی و مدیریت بیماری نارسایی مزمن کلیه است. روش بررسی : پژوهش حاضر از نوع کاربردی-توسعه ای است. در این پژوهش پرونده بیماران سرپایی و بستری شده به دلیل اختلالات کلیوی در مراکز پیوند و دیالیز کلیه در شهر تهران از تاریخ 16/8/1394 تا تاریخ 20/2/1395 مورد بررسی قرار گرفت و سپس داده های بالینی و آزمایشگاهی بیماران ضمن توجه به اصول محرمانگی و حفظ حریم شخصی استخراج شد. در این پژوهش پرونده پزشکی مربوط به 635 نفر مورد بررسی قرار گرفت که به دلیل وجود مقادیر گمشده در پرونده افراد، داده ها و اطلاعات مربوط به 400 نفر بدون هیچ مقدار گمشدگی استخراج شد. برای توسعه سیستم مذکور از تکنیک های داده کاوی شبکه های عصبی مصنوعی، درخت تصمیم گیری (الگوریتم j48 و الگوریتم جنگل تصادفی) و الگوریتم ساده بیز در محیط برنامه های متلب و وکا بر روی داده های استخراج شده از پرونده های پزشکی استفاده شد. در این پژوهش به منظور ارزیابی الگوریتم های به کار گرفته شده از معیار های ارزیابی ویژگی، دقت، حساسیت، صحت، معیار کاپا و F- measure استفاده شد. این روش های ارزیابی بر پایه ماتریس به هم ریختگی هستند. در انتها از زبان برنامه نویسی C# جهت پیاده سازی نهایی سیستم استفاده شد. یافته ها: یافته ها نشان داد که الگوریتم جنگل تصادفی در فاز اول که تشخیص بیماری نارسایی مزمن کلیه می باشد در معیارهای ویژگی، حساسیت، صحت، F-meseare و معیار کاپا از سایر الگوریتم ها نتایج بهتری داشته است. نتایج فاز دوم که مربوط به پیش بینی سطح نارسایی کلیه است نیز نشان داد که الگوریتم جنگل تصادفی بهترین نتایج را در معیارهای نام برده دارا بوده است. نتیجه گیری: با استناد به نتایج بدست آمده از پیاده سازی تکنیک های داده کاوی و اینکه سیستم پیشنهادی سیستمی برای تشخیص و پیش بینی و مدیریت می باشد، رسیدن به حساسیت 99 درصد در فاز اول بدین معنا است که تقریبا تمامی بیماران مزمن نارسایی کلیه به درستی تشخیص داده می شوند. لازم به ذکر است حساسیت 84 درصد در فاز دوم بیانگر این است که سیستم با درصد بالای قادر است سطح نارسایی کلیوی را پیش بینی کند. بنابراین سیستم پیشنهادی می تواند در عمل و به عنوان یک سیستم تصمیم یار بالینی مورد استفاده و ارزیابی قرار گیرد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Development a clinical decision support system for the diagnosis, prediction and management of chronic renal failure.
چکیده انگلیسی مقاله ABSTRACT Background: Chronic kidney disease is one of the most important public health concerns around the world. It is defined as a general term for heterogeneity disorders that affects the structure and function of the kidneys. The purpose of this paper is to develop a clinical decision support system for the diagnosis, prediction and management of chronic renal failure. Materials and Methods: This is an applied-development study. In the present study, the records of inpatient and outpatient due to renal disorders in kidney transplantation and dialysis centers of Tehran were investigated from 2015-11-07 to 2016-05-09, then clinical and laboratory data of patients were extracted while respecting the principles of confidentiality and privacy. 635 medical records were investigated, but data from 400 people were extracted due to missing data in the files. To develop the system, artificial neural networks, decision tree (j48 algorithm and random forest algorithm) and Naive Bayes algorithm were used in the context of MATLAB and WEKA programs on data extracted from medical records. In order to evaluate the algorithms, some evaluation criteria such as specificity, sensitivity, accuracy, Kappa and F-measure were used. These evaluation criteria are based on confusion matrix. Finally, the C # programming language was used for the final implementation of the system. Results: The results showed that the random forest algorithm in the first phase, which is the diagnosis of chronic renal failure, had better results than other algorithm in specificity (98.1%), sensitivity (99.1%), accuracy (99.1%), F-measure (99%) and kappa criteria (99%). The results of the second phase, which are related to the prediction of the level of renal failure, also showed that the random forest algorithm had the best results in specificity (99.1%), sensitivity (84.1%), accuracy (84.1%), F-measure (83.1%) and kappa criteria (79.1%). Conclusion: Based on the results obtained from the implementation of data mining techniques and that the proposed system is a system for diagnosis and prediction and management, achieving a sensitivity of 99% in the first phase means that almost all chronic renal failure patients are correctly diagnosed.It should be noted that the sensitivity of 84% in the second phase indicates that system is able to predict the level of renal failure at high percentage. Therefore, the proposed system can be used and evaluated in practice as a clinical decision-making system.
کلیدواژه‌های انگلیسی مقاله واژه‌های کلیدی, سیستم پشتیبان تصمیم بالینی, بیماری نارسایی مزمن کلیه, روش‌های داده‌کاوی, الگوریتم جنگل تصادفی.
نویسندگان مقاله mohammad reza afrash -

mehdi khalili - department of computer and informatics engineering, payame noor university

hossein dehdarirad - ph.d. candidate in medical library and information science, medical library and information science dept. school of allied medical sciences, tehran university of medical sciences, tehran, ira

hossein shahriari - m.sc. of medical informatics faculty of par medicine, shahid beheshti university of medical sciences, tehran, iran

نشانی اینترنتی http://mieh-2018.modares.ac.ir/browse.php?a_code=A-10-52-3&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