26606

پيش‌بيني مرگ و مير براي بيماران مراقبت‌هاي ويژه جراحي قلب با استفاده از تكنيك‌هاي داده‌كاوي (مطالعه موردي)

كارشناسي ارشد

مهندسي صنايع

1398

1400/12/07

خانم دكتر فرناز برزين پور

آقاي دكتر عليرضا آتشي

صنايع

تشخيص و تعيين درمان مناسب براي بيماران از اهميت بالايي در علم پزشكي، برخوردار است. ﺟﺮاﺣﻲ ﻗﻠﺐ و ﻋﺮوق از ﺟﻤﻠﻪ ﺟﺮاﺣﻲ‌ﻫﺎي ﻣﺘﺪاول اﺳﺖ؛ ﻛـﻪ ﺑﺎ ﻫﺪف اﻓﺰاﻳﺶ ﺑﻘﺎء و ارﺗﻘﺎء ﻛﻴﻔﻴـﺖ زﻧـﺪﮔﻲ در ﺑﻴﻤـﺎران، اﻧﺠـﺎم مي‌گردد. پيش بيني مرگ و مير، نقش مهمي در بيماران تحت عمل جراحي قلب دارد. بخش‌هاي جراحي قلب بيمارستان‌ها، داده‌هاي ثبت شده قابل توجهي را در طول يك روز توليد مي‌كنند؛ كه بايد توسط متخصصين علوم داده، براي تعيين كميت سلامت بيمار و پيش‌بيني حوادث آينده استفاده شود. داده‌كاوي با به كارگيري يادگيري ماشين در حوزه بيماريها، فرصت‌هاي خوبي براي بررسي الگوهاي پنهان اين مجموعه، فراهم مي‌كند. پيش بيني دقيق مرگ و مير پس از جراحي قلب، باعث درمان موفقيت آميز پزشكي و هزينه‌هاي كمتر مي‌شود. اين پژوهش با استفاده از داده‌هاي 1933بيمار كه تحت جراحي‌هاي مختلف قلب قرار گرفته‌اند (در بازه زماني سال 1388 تا 1394 در مراكز دانشگاه علوم پزشكي مشهد و شهيد بهشتي تهران) و براساس مدل تركيبي انباشته‌‌اي و راي گيري اكثريت انجام شده است. علاوه بر اين، در اين پژوهش از روش‌هاي انتخاب ويژگي استفاده شد كه عبارتند از: 1- روش اطلاعات متقابل 2- حذف بازگشتي ويژگي 3- جنگل تصادفي 4- درخت تصميم و 11 ويژگي كه فراواني بالاتري داشتند مانند: كسر جهشي و فشار خون بالا، به عنوان ويژگي‌هاي مهم‌تر انتخاب شدند. از روش جست و جوي شبكه توري براي پيدا كردن پارامتر مناسب در هر مدل داده‌كاوي، استفاده شده است. لازم به ذكر است كه مدل انباشته‌اي و راي گيري اكثريت با مدل‌هاي مختلف داده‌كاوي، از جمله: جنگل تصادفي، درخت تصميم، رگرسيون لجستيك، ‌نزديك‌ترين همسايه، شبكه عصبي مصنوعي، گراديان تقويتي و دسته‌بندي مقايسه مي‌شود. نتايج نشان مي‌دهد كه مدل تركيبي نهايي در اين پژوهش، بهترين عملكرد پيش‌بيني وضعيت حيات بيماران را با سطح زير منحني مشخصه عملكرد 0.81، حساسيت،0.62، صحت، 0.96 و F1، 0.76 در ميان ديگر مدل‌هاي اجرا شده، دارد.

1401/03/22

Mortality Prediction for Cardiac Surgery Intensive Care Patients Using Data Mining Techniques (A case study)

2/26/2023 12:00:00 AM

Diagnosis and determination of appropriate treatment for patients are crucial in medical science. Cardiovascular surgery is one of the most common surgeries performed to increase survival and improve the quality of life in patients. Mortality prediction plays a vital role in patients undergoing heart surgery. Heart surgery departments of hospitals are producing remarkable recorded data during a day, which should be utilized by data scientists to quantify the patient's health and foresee future incidents. Diagnosis and determination of appropriate treatment for patients are crucial in medical science. data analysis uses machine learning in the field of disease, provides good opportunities to explore the hidden patterns of this collection. An exact forecast of the mortality after heart surgery will cause Successful medical treatment and fewer costs. This study was performed using the data of 1933 patients who underwent various heart surgeries (from 2009 to 2015 in Mashhad University of Medical Sciences and Shahid Beheshti University of Tehran), based on a stacking model and majority voting. In addition, in this research, feature selection methods have been used, which are: Mutual information method, Feature elimination recursive, Randomforest, Decision tree and 11 features that were more common, such as EF and HTN, were selected as the most important features. The grid search method is used to find the appropriate parameter in each data analyzing model. It should be noted that the stacking model and majority voting are compared with different data mining models, including random forest, decision tree, logistic regression, nearest neighbor, artificial neural network, gradient boosting, and bagging. The results show that the final hybrid model in this study has the best performance in predicting patients' life status with the area under the characteristic ROC curve 0.81, sensitivity, 0.62, accuracy, 0.96, and F1, 0.76, among other implemented models.

داده‌كاوي , بخش مراقبت‌هاي ويژه , يادگيري ماشين , پيش‌بيني , مرگ و مير

Data Mining , Intensive Care Unit , machine learning , prediction , Mortality

Behnoosh Farzanmanesh

Dr. Farnaz Barzinpour