شماره ركورد
34377
پديد آورنده
فائزه اميني
عنوان
برنامهريزي دوز دارو براي بيماران ديابت نوع 2 با استفاده از روشهاي دادهكاوي
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي صنايع
سال تحصيل
1396
تاريخ دفاع
1399/09/09
استاد راهنما
محمد سعيدي مهراباد
استاد مشاور
محمد فتحيان
دانشكده
مهندسي صنايع
چكيده
امروزه حوزه سلامت از ابعاد مختلف مورد توجه جوامع قرار گرفته است. تلاش براي ارتقاء سطح سلامت و كاهش هزينهها از جنبههاي مادي و معنوي از اهداف هر جامعه به ويژه كشورهاي در حال توسعه ميباشد. تمامي ذينفعان اين حوزه در جستجوي راهكاري در راستاي ارتقاء سطح سلامت و كاهشهزينهها هستند.
از طرفي اخيراً پيشرفتهاي چشمگيري در حوزه داده و اطلاعات رخ دادهاست، و اين پيشرفتها به صورت عملي و در چالشهاي واقعي در حوزههاي مختلف مورد استفاده قرار گرفته، و حوزه سلامت نيز از اين قاعده مستثني نشده است.
بنابراين سلامت و داده دو مبحث جذاب براي پژوهشگران بوده و استفاده از داده و اطلاعات درحوزه سلامت بسيار گسترده شده و مورد توجه ويژه قرار گرفته است. يكي از اين زمينههاي جذاب استفاده از دادهكاوي در حوزه سلامت است. دادهكاوي و علم داده به منظور برنامهريزي، دوزبندي و پيشبيني و تشخيص زودهنگام در حوزه سلامت به كار گرفته شده است.
ديابت نوع دو به عنوان شايعترين نوع ديابت در ميان جوامع شناخته ميشود. اين نوع از ديابت هر ساله هزينههاي اقتصادي و اجتماعي سنگيني را به جوامع تحميل ميكند. در حوزه سلامت، دوز بندي دارويي براي بيماري ديابت، به عنوان يك بيماري شايع و هزينهبر، مورد توجه پژوهشگران بوده و به عنوان چالشي همچنان مورد توجه است.
نتايج اميدواركننده استفاده از دادهكاوي در بخشهاي مختلف، انگيزهي لازم براي استفاده از اين حوزه در بحث پيشبيني دوز دارويي براي بيماران ديابتي نوع دو به خصوص در بخش داروهاي خوراكي را فراهم آورده است. از جهتي با توجه به شرايط ويژه در كشور ما و بالا بودن هزينههاي دارويي براي بيماران و سيستمسلامت كشور، كمك گرفتن از مدلهاي دادهكاوي و يادگيري ماشين، با توجه به پيشينه بيماران ديابتي، ميتواند موجبات تجويز دقيقتر دارو و كاهش هزينههاي آن از ابعاد مختلف را به دنبال داشته باشد.
از جنبه پژوهشي مهمترين بخش در يك پژوهش داده محور، جمعآوري داده ميباشد. دادههاي پژوهش در بخشهاي دادههاي دموگرافي و آزمايشات ادرار و خون از مركز ديابت2 تهران جمع آوري شد. دستههاي مختلف با استفاده از دادهها و نظر خبره ايجاد و با استفاده از روشهاي موجود در دادهكاوي، پيشپردازش دادهها به منظور پياده سازي مدلهاي جنگل تصادفي و ماشين بردار پشتيبان انجام شده است. پيش پردازش دادهها مهمترين بخش از اين مطالعه بوده است. نبود منبع يكپارچه دادهها و جمعآوري داده از منابع مختلف، عدم تعادل دادهها در كلاس برچسب و پايين بودن نسبت تعداد مشاهدات به تعداد ويژگيها موجب چالشهايي در اين مطالعه شده است. در نهايت با استفاده از يك رويكرد سيستماتيك دادههاي اوليه وارد فرايند پيش بيني شده شده و بعد از پيش پردازش دادهها، نياز متعادل سازي با استفاده از الگوريتم تشخيص داده شده و در صورت نياز متعادل سازي انجام ميشود و در يك فرايند يك فرايند تكراري پيش بيني براي هر يك از دوزهاي درنظر گرفته شده انجام ميشود. پياده سازي مدلها بر روي دادههاي مطالعه دقت بالاتر و عملكرد بهتر الگوريتم ماشين بردار پشتيبان با دقت 81% نسبت به جنگل تصادفي77% را همراه داشته است.
تاريخ ورود اطلاعات
1404/10/23
عنوان به انگليسي
Dosage planning for diabetes patients using data mining methods
تاريخ بهره برداري
11/29/2020 12:00:00 AM
دانشجوي وارد كننده اطلاعات
فائزه اميني
چكيده به لاتين
Health sciences have been the subject of numerous studies. Advances in this field, along with reductions in the costs associated with physical and emotional treatments and recovery, are among the main objectives of all countries, particularly developing ones. In recent years, significant progress in Artificial Intelligence, Data Science, and Big Data has led to remarkable improvements in various research domains as well as real-world applications. These advancements and promising outcomes have attracted considerable attention. In particular, Data Mining and Data Science are increasingly applied in health sciences for purposes such as planning, drug dosing, prediction, and early detection.
Type 2 diabetes is the most common form of diabetes in many countries and imposes substantial economic and social burdens on communities each year. Drug dosing for diabetes, as a widespread and costly disease, has been extensively studied but remains a challenging issue. Encouraging results from the application of Data Mining in different areas of health research have provided strong motivation to employ these methods in drug dose forecasting for patients with type 2 diabetes, particularly in the context of oral medications.
Given the specific conditions in Iran and the high cost of medicines for both patients and the healthcare system, the use of Data Mining models and Machine Learning algorithms based on patients’ medical histories can improve prescription accuracy and reduce costs at multiple levels. From a research perspective, the most critical aspect of any data-driven study is data collection. In this research, data were collected from the Department of Demographic Data and the Urine and Blood Test units at the Tehran Type 2 Diabetes Center. Data preprocessing was conducted using Data Mining techniques to implement Random Forest and Support Vector Machine (SVM) models. Data preprocessing represented the most important stage of this study. Several challenges were encountered, including the lack of an integrated data source, the integration of data from multiple origins, class imbalance, and a low ratio of observations to features. Ultimately, the SVM model demonstrated superior performance, achieving an accuracy of 81%, compared to 77% for the Random Forest model.
كليدواژه هاي فارسي
ديابت نوع2 , دادههاي نامتعادل , پيش بيني دوز , داده كاوي , ديابت نوع2، دادهكاوي، دادههاي نامتعادل، پيشبيني دوز
كليدواژه هاي لاتين
Diabetes , Dosage Planning , data mining , unbalanced data
Author
faeze amini
SuperVisor
Dr.mohammad saidi mehrabad