مجله دانشگاه علوم پزشکی گیلان، جلد ۲۴، شماره ۹۵، صفحات ۵۲-۶۲
عنوان فارسی بررسی اختلال پاراکلینیک موثر در مرگ‌و‌میر بیماران ترومایی با استفاده از شیوه‌های داده کاوی
چکیده فارسی مقاله چکیده مقدمه: تروما شایع‌ترین سبب مرگ‌و‌میر در جهان است که بیشتر بر اثر پیشامدهای جاده‌ای رخ می‌دهد و شناسایی به هنگام بیماران با آسیب‌دیدگی حاد، باعث اتخاذ درست اقدام پزشکی و در نتیجه نجات جان آنان و پرهیز از صرف هزینه‌های هنگفت درمانی خواهد شد. هدف: یافتن بهترین الگوریتم داده کاوی برای شناسایی اختلال پاراکلینیکی موثر در مرگ‌و‌میر بیماران ترومایی مواد و روش‌ها: این پژوهش بر 1073 بیمار ترومایی و 52 ویژگی ثبت شده در سیستم بیمارستانی مرکز آموزشی درمانی پورسینای رشت انجام شد. برای یافتن عوامل موثر و الگوی ارتباطی بین متغیرها، تکنیک‌های داده کاوی دسته‌بندی و روش‌هایی مانند درخت تصمیم، k نزدیک‌ترین همسایه و شبکه عصبی بر داده‌ها پیاده‌سازی و دقت پیشگویی آنان به روش 10-fold ارزیابی و مقایسه شد. نتایج: از 1073 بیمار ترومایی، 185 نفر(2/17%) زن و 888 نفر(8/82%) مرد بودند. 237 نفر )1/22%( فوت شدند که بیشترین آنان (30% معادل 71 نفر) کمتر از یک هفته بستری و 56 نفر (6/23%) تا یک روز بستری بودند که ارتباط معنی‌داری بین مدت بستری و مرگ بیماران وجود داشت(0001/0p=). از الگوریتم‌های اجرا شده داده کاوی، درخت تصمیم و k نزدیک‌ترین همسایه بالاترین دقت، به‌ترتیب 91% و 89% در دسته‌بندی و پیشگویی پیامد بیماران(مرگ یا بهبود) را داشت. به همین سبب به روش Best First (بهترین اولین) در درخت تصمیم از 52 ویژگی بررسی شده، 18 ویژگی از عوامل موثر در مرگ بیماران تشخیص داده شد. نتیجه‌گیری: با توجه به دقت بالای الگوریتم‌های داده کاوی مانند درخت تصمیم، عوامل موثر در مرگ‌و‌میر بیماران ترومایی پیشگویی و بدین وسیله با شناسایی افراد در معرض خطر، جان آنان نجات داده شد.
کلیدواژه‌های فارسی مقاله داده کاوی، ضربه، میزان مرگ و میر
عنوان انگلیسی Using Data Mining Techniques to Extract Clinical Disorders Affecting Mortality in Trauma Patients
چکیده انگلیسی مقاله Abstract Introduction: Trauma is one of the most common causes of death in the world, which often occurs as a result of road accidents. Prompt identification of patients with acute injury, leads to take the appropriate medical actions and thus, save lives and also avoid enormous cost of treatment. Objective: Finding the best data mining algorithms to identify clinical disorders resulting in death in trauma patients Materials and Methods: 1,073 trauma patients hospitalized in Poursina Hospital in Rasht with their 52 recorded clinical conditions (features) have been analyzed in this research. In order to automatically identify emergency cases, a number of classification algorithms have been modified for the task, such as decision tree, K-nearest neighbor, and neural network methods. These algorithms have been trained over a wide range of features and their performance has been investigated using 10-fold cross validation. Results: Totally, 82.8% (888) of the surveyed patients were male and17.2% (185) were female. 22.1% died, most of them (30%) in the first week after their hospitalization and 23.6% on the first day. No significant relationship has been found between the duration of hospitalization and mortality. Among the classification algorithms, decision tree and k-nearest were able to recognize death cases with higher precision, (i.e. 91% and 89%, respectively). In order to find effective factors on training a better Decision Tree classifier, the Best First algorithm was used which then selected and could identify 18 effective features (of 52 initial features). Conclusion: Given the high accuracy of some data mining algorithms, like Decision Tree algorithm, we are able to differentiate severe trauma cases which may lead to death from those with mild injuries. Hence, their application to predict mortality in trauma patients and identify those at life risk can be investigated in real environment.
کلیدواژه‌های انگلیسی مقاله Data Mining, Mortality, Trauma
نویسندگان مقاله مریم حسن زاده | m hassanzadeh
department of computer and information technology, faculty of engineering, university of payame noor, tehran, iran- management of statistic and information technology, guilan university of medical sciences, rasht, iran
گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشکده فنی مهندسی، دانشگاه پیام نور، تهران، ایران- مدیریت آمار و فناوری اطلاعات، دانشگاه علوم پزشکی گیلان، رشت، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی گیلان (Guilan university of medical sciences)

اکبر فرهودی نژاد | a frhoudinejad


شاهرخ یوسف زاده | sh yousefzadeh


نشانی اینترنتی http://journal.gums.ac.ir/browse.php?a_code=A-10-36-676&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات