پيش‌بيني مقدار تجويز داروي اريتروپويتين در بيماران همودياليزي- رويكرد داده‌كاوي

Data Mining Approach in Prediction of Erythropoietin Dosage in Hemodialysis Patients

سابقه و هدف: نارسايي كليه منجر به كاهش عملكرد كليهها ميشود و اين امر در درازمدت منجر بهبيماري مزمنكليه ميگردد. يكي ازعوارض بيماري مزمن كليه تخريب برگشتناپذير كليهها (رسيدن به مرحله پاياني بيماري كليه) است. يكي از شايعترين راه‌هاي درمان بيماران دچار نارسايي كليوي، همودياليز است. بهعلاوه يكي از مسائل اصلي در همودياليز، كمخوني ناشي از كمبود ترشح اريتروپويتين از كليه‌ها است كه معمولا با داروي اريتروپويتين صناعي، درمان ميشود. از سوي ديگر انتخاب دوز مناسب داروي اريتروپويتين جهت مقابله با كم خوني بيماران همودياليزي، و با توجه به قيمت بالا و عوارض اين دارو، از اهميت بالايي برخوردار است. لذا اين پژوهش به منظور پيشبيني دوز داروي اريتروپويتين و شناسايي عوامل اثرگذار بر انتخاب دوز مناسب اين دارو از رويكردهاي داده كاوي بهره برده و آنها را بر روي داده جمع‌آوري‌شده از بيماران همودياليزي اعمال ميكند. مواد و روش‌ها:. داده‌هاي پژوهش از مركز دياليزي در تهران جمع‌آوري‌شده است. فرض مي‌شود ورودي مسئله، مشخصه هاي شش ماهه متوالي از بيمار به همراه مقدار داروي اريتروپويتين مورد استفاده تاكنون است. جهت اعمال رويكردهاي داده‌كاوي بر اين دادهها، آن را تبديل به يك بردار ويژگي مشخصه نموده و از روشهاي ماشين بردار پشتيبان و جنگل تصادفي براي پيشبيني مقدار تجويز دارو استفاده ميشود. يافته‌ها: نتايج حاصل از اين تحقيق نشان ميدهد مقادير داروي تجويز شده در ماههاي قبل بر مقدار دارو در ماه بعدي تاثيرگذار است. الگوريتم جنگل تصادفي با متوسط صحت 90 درصد و ماشين بردار پشتيبان با متوسط صحت 79 درصد در بهترين حالت، قادر به پيشبيني دوز داروي تجويزي هستند. استنتاج: اين تحقيق با شناسايي ويژگي‌هاي مؤثر بر درمان بيماران همودياليزي وكنترل كم‌خوني، سبب صرفهجويي در هزينه و زمان شده و از عوارض ناشي از تجويز بيش‌ از حد دارو و افزايش هموگلوبين بيمار، خواهد كاست.

Background and purpose: Kidney failure reduces the kidney function and in long term it leads to chronic kidney disease. One of the main complications of this disease is irreversible damage to the kidneys (end-stage kidney disease) and hemodialysis is the main method used to treat advanced kidney failure. The main problem associated with hemodialysis is treating anemia caused by lack of erythropoietin secretion in kidney which is usually treated by synthetic erythropoietin. On the other hand, choosing the right dosage of erythropoietin is important because it is expensive and could have some complications. This research aimed at predicting the dosage of erythropoietin and identifying affecting factors. Materials and methods: Data was collected from a dialysis center in Tehran and data mining methods were used. The input variables were measured in the past 6 months of treating patients with erythropoietin. The sequential data was then converted to the bag of features (BOF) format. Then support vector machines and random forest were applied on the BOF to predict the erythropoietin dosage. Results: The amount of medication in previous months was found to be an important factor in determining the appropriate dosage of erythropoietin for the next month. In optimal condition, random forest and SVM could predict the erythropoietin dosage with an average accuracy of 90% and 79%, respectively. Conclusion: This study identified the factors influencing the treatment and control of anemia in hemodialysis patients. These results could be of great benefit in prescribing the proper dosage of erythropoietin, and reducing the treatment cost and duration. Moreover, it helps to prevent the complications caused by excessive use of erythropoietin such as increase in hemoglobin level