22895

تجزيه و تحليل و مقايسه داده‌هاي بخش مراقبت‌هاي ويژه به كمك تكنيك‌هاي داده‌كاوي به منظور ارائه‌ي يك سيستم پشتيبان تصميم

كارشناسي ارشد

مديريت مهندسي

1399/4/10

دكتر مرتضي باقرپور

دكتر عليرضا آتشي

صنايع

امروزه هزينه‌هاي بالاي بخش مراقبت‌هاي ويژه‌ي بيمارستان‌ها و كمبود امكانات خصوصا در كشورهاي در حال توسعه مانند ايران يك چالش اساسي است. بنابراين به منظور تخصيص درست بيماران نيازمند به مراقبت‌هاي ويژه‌ي پزشكي به اين بخش، لزوم پيش‌بيني مرگ و مير اين بيماران در بدو ورود به ICU كاملا احساس مي‌شود. در اين پژوهش با كمك روش‌هاي يادگيري ماشين به بررسي اين مسئله پرداختيم. ما سعي كرديم به جاي تمركز بر روي الگوريتم‌هاي پيچيده مانند يادگيري عميق، از روش‌هاي پيش‌پردازش مناسب براي پاك‌سازي مجموعه داده استفاده كنيم و در نهايت با استفاده از روش تركيبي انباشته‌اي دو مرحله‌اي كه از الگوريتم‌هاي قوي و جديدي مانند گراديان تقويتي اكستريم بهره برده است، پيش‌بيني مرگ و مير را انجام دهيم. با كاستن از پيچيدگي مساله اين روش توانست برخي معيارهاي ارزيابي شامل دقت=0.041±0.81، سطح زير منحني صحت-فراخواني = 0.051±0.59، معيار F1 = 0.78±0.048، ضريب همبستگي متيوز = 0.41±0.051 را كسب كند. با درنظرگرفتن اهميت سه معيار اخير در مجموعه داده‌هاي نامتوازن، اين روش توانست عملكرد خوبي را از خود نشان دهد. هم‌چنين در اين پژوهش به رتبه‌بندي مجموعه ويژگي‌هاي مساله نيز پرداخته شد. متغير ضريب كماي گلاسكو كه سطح هوشياري بيمار را نشان مي‌دهد بيشترين اهميت را به خود اختصاص داد.

1399/10/13

Analyze and comparing the data of the intensive care unit using data mining techniques to provide a decision support system

7/1/2021 12:00:00 AM

These days the high cost of intensive care units and lack of equipment in the hospitals, especially in developing countries such as Iran is an important challenge. So to allocating intensive care unit facilities to qualified patients it is essential to predicting the mortality of the patient in the entering time. In this research, we investigated this issue with the help of machine learning methods. Instead of focusing on complicated algorithms such as deep learning, we were trying to use preprocessing methods to clean the dataset and then feed this data to a two-level stacking method which consists of state of the art algorithms like extreme gradient boosting. By decreasing model complexity this suggested procedure could yiled superior results in some metrics. This metrics include accuracy=0.81±0.041, AUPRC=0.59±0.051, F1=0.78±0.048, matthews correlation coefficient=0.41±0.051. According to importance of the last 3 metrics in the case of imbalanced datasets,compared to the latest researches, suggested model performs well. Also in this research we ranked different features of the ICU dataset. GCS which relates to patients awareness factor, is the most important factor that relates to patients outcome status.