23396

مدل‌سازي داده‌هاي سلامت و مقايسه روش‌هاي داده‌كاوي (مطالعه موردي: پيوند كبد)

كارشناسي ارشد

مهندسي صنايع- مديريت مهندس ي

1397

1399/11/26

مرتضي باقرپور

بابك اميري

مهندسي صنايع

پيوند كبد يك درمان قطعي به ويژه براي بيماري كبدي حاد و مزمن مرحله نهايي است. با وجود گران قيمت بودن عمل جراحي، بسياري از بيماران به دليل پيشرفت‌هاي تكنولوژيكي كه به ميزان بقا بهتري دست پيدا كرده‌اند، اين روش درماني را انجام مي‌دهند. به همين دليل تعداد زيادي از افراد در ليست انتظار براي پيوند كبد قرار دارند. ولي از طرف ديگر تعداد اهدا كنندگان بسيار كم‌تر مي‌باشند. براي همين نياز است كه افراد در ليست انتظار به بهترين روش اولويت‌بندي شوند. متخصصان پزشكي از نمره MELD براي اولويت‌بندي و پيش‌بيني بقا بيماران در ليست انتظار پيوند كبد استفاده مي‌كنند. اما مطالعات نشان داده است كه استفاده از اين روش از قدرت تشخيص ضعيفي برخوردار است. براي همين در تحقيق حاضر به وسيله ابزار داده‌كاوي و هوش مصنوعي مختلف يك سيستم هوشمند ايجاد شد، كه بر اساس فوريت و سودمندي، به تعيين صلاحيت و اولويت‌بندي براي پيوند كبد بر اساس بالاترين سود بقا بپردازد. در اين تحقيق با تركيب 6 روش مختلف انتخاب ويژگي به رتبه‌بندي ويژگي‌هاي تأثيرگذار بر پيش‌بيني بقا بيماران قبل و بعد از پيوند كبد پرداخته شد، و در نهايت 10 ويژگي برتر انتخاب شدند. از اين تعداد به ويژگي‌هاي شاخص مدل سديم بيماري كبدي در مرحله نهايي، آلبومين، سن و نيتروژن اوره خون مي‌توان اشاره كرد. همچنين به بررسي و مقايسه 5 روش متوازن‌سازي براي حل مشكل عدم توازن مجموعه داده پيوند كبد استفاده شد. بعد از بررسي مدل‌هاي مختلف يادگيري ماشين و هوش مصنوعي به اين نتيجه رسيديم كه بهترين مدل جنگل‌هاي تصادفي به همراه روش يادگيري حساس به هزينه مي‌باشد. كه اين مدل داراي صحت 0.83 و سطح زير منحني مشخصه عملكرد سيستم 0.87 مي‌باشد. و يك سيستم پشتيبان تصميم براي پزشكان توسط درخت تصميم ايجاد شد. همچنين توسط مدل كاپلان ماير به محاسبه ميانگين زمان بقا در بازه 2 سال پرداخته شد.

1399/12/13

Clinical data modeling and comparing data mining methods: Case study in liver transplantation

2/15/2022 12:00:00 AM

Liver Transplantation (LT) is a definitive treatment especially for acute and chronic end-stage liver disease. Although LT is considered an expensive procedure, still many patients undergo this procedure due to its better survival rate compared to other treatments. That's why so many people are on the waiting list for a liver transplant. But on the other hand, the number of donors is much smaller. This is why people on the waiting list need to be prioritized in the best way possible. Medical experts use the MELD score to prioritize and predict patient survival on the liver transplant waiting list. But studies have shown that the use of this method has poor detection power. Therefore, in the present study, an intelligent system was created by various data mining tools and artificial intelligence, which, based on urgency and utility, determines the eligibility and prioritization for liver transplantation based on the highest survival benefit. In this study, a combination of 6 different feature selection methods was used to rank the features that affect the survival of patients before and after liver transplantation, and finally, the top 10 features were selected. Among these, Model For End-Stage Liver Disease Sodium, Albumin, Age and Blood Urea Nitrogen can be mentioned. Also, 5 balancing methods were used to compare the problem of liver transplantation data set imbalance. After reviewing different models of machine learning and artificial intelligence, we conclude that random forest with Cost-Sensitive Learning is the best model. This model has an accuracy of 0.83 and area under the receiver operating characteristic curve is 0.87. And a decision support system for doctors was created by the decision tree. The Kaplan-Meier model also calculated the average survival time over a period of 2 years.

پيوند كبد , يادگيري ماشين , شبكه عصبي , روش‌هاي متوازن‌سازي , تجزيه و تحليل بقا

Liver transplantation , Machine learning , Neural network , Data balancing method , Survival analysis