كليدواژه :
صافي همودياليز , داده كاوي , درخت تصميم , شبكه عصبي
چكيده فارسي :
مقدمه: دياليز ناكافي به عنوان يك عامل خطر مرگ و مير براي بيماران كليوي، ضرورت وجودالگويي براي كمك به پرسنل بخش دياليز جهت ارائه خدمات درست به بيماران دياليزي و مديريت صحيح درمان آن ها را نشان مي دهد. پژوهش حاضر با هدف شناسايي الگويي براي تشخيص نوع صافي همودياليز صورت گرفته است زيرا نقش نوع صافي در كفايت دياليز تعيين كننده مي باشد.
مواد و روش ها: پژوهش حاضر به روش توصيفي- مقطعي صورت گرفته و نمونه گيري به روش سرشماري بوده است. جامعه ي پژوهش متشكل از داده هاي بيمارستان علي ابن ابي طالب (ع) زاهدان در خردادماه 95 است كه با مراجعه مستقيم پژوهش گر به سازمان حاصل و به صورت فايل اكسل تهيه گرديد. جهت تحليل داده ها از نرم افزار Clementine12.0 استفاده شده است. در پژوهش حاضر الگوريتم هاي درخت تصميم و شبكه عصبي اجرا گرديدند.
يافتهها: مقدار صحت بدست آمده از اجراي الگوريتم هاي C5.0 ،C&R Tree، CHAID، QUEST و شبكه عصبي به ترتيب 0/9263، 0/9047، 0/8872، 0/8720 و 0/8754 مي باشد. مقادير بدست آمده براي شاخص هاي حساسيت، شفافيت، صحت، دقت، NPV، FM، GM، FPR، FNR، FDR و ER و نيز سطح زير منحني ROC براي مدلC5.0 نشان دهنده عملكرد بهتر اين الگوريتم نسبت به سايرين مي باشد.
نتيجهگيري: مقادير بيشتر براي 7 شاخص اول نشان مي دهد كه طبقه بند مورد استفاده نمونه هاي بيشتري را در جاي درست خود طبقه بندي كرده و مقادير كم 4 شاخص آخر وقوع خطاي كمتر در طبقه بندي نمونه ها را تاييد مي نمايد. مدل C5.0 در 7 شاخص اول بيشترين مقدار و در 4 شاخص آخر كمترين مقدار را دارد. مدل ارائه شده به پيش بيني دقيق تر نوع صافي همودياليز و نيز مديريت صحيح درمان بيماران كمك مي نمايد
چكيده لاتين :
Introduction: Inadequate dialysis for patients' kidneys as a mortality risk necessitates the
presence of a pattern to assist staff in dialysate part to provide the proper services for dialysis
patients and also the proper management of their treatment. Since the role of buffer type in the
adequacy of dialysis is determinative, the present study is aimed at determining hemodialysis
buffer type.
Methods: Cross-sectional method was applied in the present study. The population included the
data extracted from Ali Ibn Abi Talib hospitals in Zahedan from May-June 2016. In this study
Clementine 12.0 has been used for data analysis. In the present study Decision trees C5.0,
Classification and Regression Tree, Chi-Squared Automatic Interaction Detector, Unbiased and
Efficient Statistical Tree and Neural Network algorithms were executed.
Results: The obtained accuracy for executing decision trees C5.0, Classification and Regression
Tree, Chi-Squared Automatic Interaction Detector, Unbiased and Efficient Statistical Tree and
Neural Network equals 0.9263, 0.9047, 0.8872, 0.8720 and 0.8754, respectively. The results of
indices including sensitivity, specificity, accuracy, precision, NPV, FM, GM, FPR, FNR, FDR,
ER for C5.0 decision tree are indicators of better performance of this algorithm compared to the
other algorithms.
Conclusion: The extracted rules for a new sample having specific features can predict proper
dialysis buffer. Hence, the proposed model helps us in predicting more precise hemodialysis
buffer type and also the proper management of patient treatment which result in better
performance among health organization.
