پيش‌آگهي اپيزودهاي افت فشار خون حاد با استفاده از ويژگي‌هاي فيزيولوژيكي و آشوبناك

Prognosis of Acute Hypotension Episodes Using Physiological and Chaotic Features

اپيزودهاي افت فشار خون حاد يكي از اختلالات هموديناميكي رايج در طيف گسترده‌اي از بيماران است. متاسفانه نرخ تلفات در بين بيماران مبتلا به اين اختلال بسيار بالا ماست. عوامل مختلفي در وقوع اين اختلال فيزيولوژيك موثر هستند كه هر كدام داري منشا متفاوت هستند. پيش‌آگهي اپيزودهاي افت فشار خون حاد كمك شاياني به درمان مناسب و كاهش تلفات اين بيماران خواهد نمود. با پيش‌آگهي اين اختلال فيزيولوژيكي، پزشكان قادر خواهند بود علت وقوع اين اختلال را با استفاده از بررسي‌هاي باليني مختلف دريافته و درمان مناسبي بر اساس عامل وقوع آن، انتخاب كنند. در اين پژوهش به منظور پيش‌آگهي اپيزودهاي افت فشار خون حاد در بازه يك ساعت آينده، دو نوع ويژگي آماري از پارامترهاي هموديناميكي و ويژگي هاي آشوبناك از سري‌هاي زماني فيزيولوژيكي موجود در بازه دو ساعتي منتهي به به ابتداي بازه پيش بيني، استخراج گرديد. سپس ويژگي‌هاي برگزيده با استفاده از الگوريتم ژنتيك، توسط ماشين بردار پشتيبان طبقه‌بندي شدند. دقت پيش‌آگهي براي ويژگي‌هاي آماري پارامترهاي فيزيولوژيكي 5/87 درصد و براي ويژگي‌هاي آشوبي 85 درصد حاصل گرديد. در ادامه به منظور استفاده از جنبههاي مختلف اطلاعات موجود در دو دسته ويژگي و بهبود دقت پيش‌آگهي، فرآيند انتخاب ويژگي به صورت همزمان براي هر دو دسته ويژگي استخراج شده، اعمال گرديد و بهترين تركيب از ميان هر دو دسته ويژگي انتخاب شد. دقت پيش‌آگهي براي دسته ويژگي تلفيقي بهينه، 95 درصد حاصل شد كه در مقايسه با نتايج مطالعات پيشين بر روي مجموعه داده مشابه، بهبود قابل توجهي حاصل شد

Acute hypotension episodes (AHEs) are one of the hemodynamic instabilities with high mortality rate that is frequent among many groups of patients. Prognosis of acute hypotension episodes can help clinicians to diagnose the cause of this physiological disorder and select proper treatment based on this diagnosis. In this study two groups of features, physiological and chaotic features, were extracted from the physiological time series to be applied for prediction of AHEs in the future 1 hour time interval. The best set of the features from the extracted features were selected using Genetic Algorithm (GA) and were classified by SVM. The prediction accuracy for physiological features was 87.5% and for chaotic features was 85%. In order to improve prediction accuracy, physiological and chaotic features were employed simultaneously in feature selection and the best combination of these features was selected by GA and classified by SVM. The best prognosis accuracy, which was achieved in this study by classification of the selected features, was 95% that was better than other previously studies on the same database.