پيش بيني علت سنگ كليه در بيماران كليوي با استفاده از تكنيك هاي جنگل تصادفي، ماشين بردار پشتيبان و شبكه عصبي

Predicting the cause of kidney stones in patients using random forest, support vector machine and neural network

امروزه داده هاي پزشكي با سرعت فزاينده اي جمع آوري مي شوند. اين مجموعه داده ها حاوي اطلاعات قيمتي هستند كه دست يابي به آن ها با استفاده از روش هاي آزمايشگاهي زمان بر و هزينه بر خواهد بود. بنابراين نياز به روش هايي كم هزينه براي استخراج اطلاعات وجود دارد. اين مطالعه بر توسعه يك مدل پيش بيني براي طبقه بندي علت سنگ كليه در اصفهان با استفاده از تكنيك هاي داده كاوي متمركز شده است. روش بررسي اين پژوهش از بهمن 1399 تا مرداد 1400 به صورت مقطعي انجام شده است. مجموعه داده اي مورد استفاده شامل اطلاعات 353 بيمار سنگ كليه در شهر اصفهان است. در اين مطالعه شش صفت هدف سديم، فسفات، اگزالات، سيترات، سيستيين و اسيد اوريك تعيين شده است. تكنيك هاي مورد استفاده براي هر يك از شش صفت به صورت جداگانه استفاده مي شود. تكنيك هاي مورد استفاده در اين مطالعه شامل جنگل تصادفي، شبكه عصبي و ماشين بردار پشتيبان خواهد بود. يافته ها بهترين عملكرد از لحاظ ميزان صحت مربوط به تكنيك هاي ماشين بردار پشتيبان در كلاس اسيد اوريك، ماشين بردار پشتيبان در كلاس اگزالات و شبكه عصبي در كلاس سيستيين است. بدترين عملكرد هم مربوط به تكنيك جنگل تصادفي در كلاس سيترات است. مطمين ترين قوانين با ميزان اطمينان 66% مربوط به دو كلاس سيترات و سديم هست و كم اطمينان ترين قاعده با ميزان اطمينان 50% مربوط به كلاس اگزالات است. نتيجه گيري سنگ كليه مي تواند به دلايل مختلفي از جمله پايين بودن سيترات و بالا بودن اگزالات كلسيم باشد. به عنوان مثال براي سيترات، عواملي مانند PH خون، قند خون و فشار خون موثر است. براي جلوگيري از هر يك از دلايل سنگ كليه، بايد عوامل آن كنترل شود.

Today, with the advancement of technology in various fields, the importance of recording data in the field of health is increasing so much that for many diseases around the world, including kidney disease, registration systems have been set up. This is happening in our country and in the future, the number of these systems will increase. The medical data set contains valuable information that will be time-consuming and costly to obtain using laboratory methods, so there is a need for low-cost methods for extracting information. This study focuses on developing a predictive model for classifying the cause of kidney stones in Isfahan using three data mining techniques. Methods This cross-sectional research has been done from February 2021 to May 2021. The used medical data set includes information of 353 kidney stone patients in Isfahan. In this study, six target attributes of sodium, phosphate, oxalate, citrate, cysteine and uric acid were identified. The techniques for each of the 6 attributes are used separately. The techniques used in this study were three data mining techniques including random forest (RF), artificial neural network (ANN) and support vector machine (SVM). Results The best performance in terms of accuracy is related to support vector machine techniques in uric acid class, support vector machine in oxalate class and neural network in cysteine class. The worst performance is related to the random forest technique in the citrate class. The safest rules with a 66% confidence level are for the citrate and sodium classes, and the least reliable rule with a 50% confidence level is for the oxalate class. Conclusion Kidney stones can occur due to various reasons such as low citrate and high calcium oxalate. For example, for citrate, factors such as blood pH (potential of hydrogen), blood sugar and blood pressure are effective. To prevent any of the causes of kidney stones, factors should be controlled.