تعيين عوامل موثر بر مرگ و مير بيماران سوختگي با استفاده از الگوريتم داده كاوي درخت تصميم

Determining of the Factors Affecting Mortality in Burn Patients Using a Decision Tree Data Mining Algorithm

مقدمه: در سال هاي اخير استفاده از روش هاي داده كاوي روي حجم زيادي از داده ها با هدف توليد مدل ها و الگوهاي پيش بيني كننده در حيطه هاي متعدد پزشكي رواج يافته است. در اين مطالعه پژوهشگران قصد دارند با استفاده از الگوريتم داده كاوي درخت تصميم، عوامل موثر بر مرگ ومير بيماران سوختگي را مشخص نمايند. روش كار: اين پژوهش توصيفي گذشته نگر است كه مبتني بر اطلاعات پرونده هاي بيمارستاني مي باشد. در مجموع 4804 پرونده پزشكي مربوط به بيماران سوختگي، مورد بررسي قرار گرفت. داده هاي گردآوري شده با استفاده از نرم افزارهاي تحليل آماري SPSS-16 و داده كاوي Clementine-12 و از طريق الگوريتم (Chi-squared Automatic Interaction Detection: CHAID) مورد تجزيه و تحليل قرار گرفتند. يافته ها: مدل پيش بيني فوت و زنده ماندن براي بيماران سوختگي كه كارايي آن توسط پژوهشگران اثبات گرديد، به ترتيب اهميت شامل درصد سوختگي، درجه سوختگي، مدت زمان بستري، جنسيت و سن مي باشد. ساير متغيرهاي مورد مطالعه شامل كشت خون، كشت زخم، كشت ادرار، عامل سوختگي و ماه بستري بيمار در كارايي مدل تاثيري نداشتند. نتيجه گيري: با توجه به ميانگين دقت مدل پيشنهادي(تقريباً 95درصد) و ميانگين دقت مدل روي داده هاي آزمون(تقريباً 95درصد)، مدل پيشنهادي معتبر و قابل استناد مي باشد. در حقيقت، نتايج اين مطالعه يك مدل جامع، دقيق و معتبر پيش بيني فوت و زنده ماندن بيماران سوختگي را بر اساس متغيرهاي فوق الذكر كه بعضي از آن‌ها با نتايج ساير پژوهشگران مطابقت دارد پيشنهاد مي كند. لذا چنين مدلي مي تواند به عنوان يك معيار مهم ارزيابي جهت درمان موثر بيماران سوختگي مورد استفاده قرار بگيرد. كليدواژه‌ها: داده كاوي، درخت تصميم، سوختگي

Introduction: Using data mining to develop prediction models from large amounts of data in medicine has become increasingly popular during the recent years. In this study, we intend to use a decision tree data mining algorithm in order to identify factors influencing mortality in burn patients. Methods: The present retrospective descriptive study is based on burning patients’ records. Overall, the medical records of 4804 patients were scrutinized. The collected data were analyzed using statistical software (SPSS version 16), data mining software (Clementine version 12), and CHAID algorithm. Results: The resulting model for predicting survival and mortality of burning patients included the percentage of Total Burn Surface Area (TBSA %), degree of burn, length of stay, gender, and age of patients. Other variables including blood cultures, wound cultures, urine cultures, and the months of patient hospitalization had no effect on improving the efficiency of the model. Conclusion: The proposed model is valid and reliable due to its accuracy (approximately 95%). In fact, the results of this study, some of which are consistent with the results of other studies, can propose a comprehensive, accurate, and reliable local model for predicting mortality and survival of burning patients based on the mentioned variables. Thus, this local model can be used as an important criterion for evaluating the effective treatment of burn patients. Keywords: Data Mining, Decision Tree, Burn