پيش‌بيني پيامد‌هاي پيوند كليه با استفاده از تكنيك‌هاي يادگيري ماشين

زمينه و هدف: نارسايي كليه از مشكلات شايع و رو به افزايش در ايران و جهان به شمار مي‌رود. پيوند كليه به‌ عنوان روش‌درماني ارجح براي بيماران مبتلا به ESRD شناخته شده است. يادگيري ماشين به عنوان يكي از ارزشمند‌ترين شاخه‌هاي هوش مصنوعي در زمينه‌ي پيش‌بيني بقاي بيماران يا پيش‌بيني بروز حـالات مختلف در بيماران كاربرد بسزايي دارد. هدف از انجام اين پژوهش پيش‌بيني پيامدهاي پيوند كليه در بيماران، با استفاده از يادگيري ماشين است.روش بررسي: از آن‌جايي كه يكي از قوي‌ترين روش‌شناسي‌ها در زمينه‌ي اجرا و پياده‌سازي پروژه‌هاي داده كاوي CRISP است، اين روش‌شناسي به عنوان روش كار انتخاب شد. به منظور شناسايي عوامل مؤثر در پيش‌بيني پيامد‌هاي پيوند كليه، پس از مرور متون مرتبط، چك‌ليستي محقق ساخته جهت مشخص كردن ميزان ضرورت هركدام از عوامل مؤثر بر نتيجه‌ي پيوند براي تعدادي از نفرولوژيست‌هاي سراسر كشور ارسال شده و نتايج تحليل و بررسي شد. سپس با استفاده از زبان پايتون و الگوريتم‌هاي مختلف يادگيري ماشين از جمله ماشين‌بردار پشتيبان، جنگل‌هاي تصادفي، K نزديك‌ترين همسايه، گراديان افزايشي و يادگيري عميق، به مدل‌سازي بر روي داده‌ها پرداخته شد.يافته‌ها: مدل نهايي از نوع چند برچسبي و بر اساس الگويتم جنگل تصادفي بود كه بتواند پيامد‌هاي مختلف پيوند كليه كه در اين مطالعه شامل احتمال پس‌زدگي، واكنش‌هاي ديابتيك، واكنش‌هاي بدخيمي و بستري مجدد بيمار بود را به صورت يك جا پيش‌بيني كند. پس از انجام مراحل پيش پردازش بر روي داده ها و مدل‌سازي بر روي ويژگي‌هاي داده‌ي ورودي به وسيله الگوريتم‌هاي مختلف، مدل نهايي قادر بود با خطايي كمتر از ۰/۰۱ به پيش‌بيني چهار مورد پيامد پيوند كليه يعني پس‌زدگي، ابتلا به ديابت، واكنش‌هاي بدخيمي و بستري مجدد بيمار بپردازد.نتيجه‌گيري: ميزان بالاي درستي و دقت مدل جنگل تصادفي نشان از قدرت بالاي اين مدل براي پيش‌بيني پيامدهاي پيوند كليه دارد. در اين مطالعه، مؤثرترين عوامل در ابتلاي بيمار به پيامدهاي ذكر شده شناسايي شد. براي نمونه‌هاي جديد با استفاده از اين سيستم مبتني بر يادگيري ماشين مي‌توان به پيش‌بيني احتمال بروز اين پيامدها براي بيماران پرداخت.