پيش بيني ميزان اثربخشي داروهاي پره اكلامپسي با داده كاوي بر اساس دوز و روش مصرف دارو

Predicting the Effectiveness of Preeclampsia Medications Based on Dose and Method of drug Consumption Using Data Mining

مقدمه: مسمومیت بارداری یا پره ­اكلامپسی، یكی از اختلالات خطرناك دوران بارداری است كه حتی می­تواند به خاتمه بارداری و سقط جنین ختم شود. مطالعه حاضر با هدف تولید یك مدل پیش­بینی كننده كارا به ­منظور پیش بینی دقیق میزان اثربخشی داروهای پره ­اكلامپسی انجام شد. روش كار: این مطالعه­ توصیفی- مقطعی در سال 92-1390 بر روی 774 بیمار در بیمارستان حكیم نیشابور انجام شد. سه الگوریتم متفاوت از الگوریتم ‌های استنتاج قانون به نام‌های C5.0،  C&R Treeو CHAID. روی داده‌ های عارضه پره ­اكلامپسی اعمال شد و سپس صحت مدل‌ های تولید شده به دست آمد. در نهایت برای تأیید صحت نتایج حاصل از پیش­بینی از خوشه‌ بندی استفاده شد. در این مطالعه جهت تحلیل داده‌ ها و اجرای الگوریتم‌ های داده‌ كاوی از نرم‌ افزار كلمنتاین (نسخه 0/12) استفاده شد. یافته­ها: مقادیر به ‌دست آمده برای صحت مدل ‌های ایجاد شده از اجرای الگوریتم‌های  C5.0، C&R Treeو CHAID روی مجموعه داده‌ های آموزش و آزمایش برای هر سه الگوریتم 63/99 و 14/99 درصد بود. صحت بالای مدل­ ها عملكرد خوب این الگوریتم ­ها را نشان داد. حساسیت 100 درصد و دقت 5/99، برتری الگوریتم C&R Tree نسبت به سایر الگوریتم­ ها را تأیید كرد. نتایج حاصل از خوشه­بندی روی درخت بهتر نشان داد كه در مواقعی ­كه میزان اثربخشی دارو افزایش یافت، میانگین سنی بیمار هم بالاتر بود و دلیل آن، رابطه مستقیم ایجاد عارضه پره اكلامپسی با افزایش سن بود. نتیجه­گیری: شواهد به دست آمده نشان می­ دهند كه با افزایش سن احتمال وجود این عارضه افزایش و از داروهایی با میزان اثربخشی بالاتر برای درمان باید استفاده نمود. بنابراین در انتخاب داروی مصرفی با میزان اثربخشی متفاوت دقت بیشتری باید صورت گیرد. پیش ­بینی میزان اثربخشی دارو با هدف دستیابی به مواردی چون: كمك به پزشك برای افزایش صحت تشخیص و جلوگیری از تشخیص نادرست در دوز مصرفی دارو برای بیمار، تشخیص شدت پره اكلامپسی و مهار عوارض خطرناك مصرف بیش از حد دارو توسط بیمار، پیش ­بینی ذخیره داروی كافی و جلوگیری از عوارض جانبی ناشی از كمبود دارو صورت می­گیرد.  

Introduction: Preeclampsia is a serious disorder during pregnancy that even can lead to termination of pregnancy and fetus abortion. This study was performed with the aim to generate an efficient predictive model to accurately predict the effectiveness of preeclampsia medications. Methods: This is a descriptive, cross-sectional study performed on 774 patients in Neyshabour Hakim Hospital from 2011-2013. Three algorithms, C5.0, C & R Tree and CHAID were applied on data of preeclampsia, and then the accuracy of generated models was obtained. In this study, Clementine software (version 12.0) was used for data analysis and implementation of data mining algorithms. Results: The obtained values for accuracy of generated models by implementation of C5.0, C&R Tree and CHAID algorithms on train and test dataset were 99.63 and 99.14, respectively. The high accuracy of models showed good performance of these algorithms. The sensitivity of 100% and precision of 99.5% confirmed that C&R Tree is superior to other algorithms. Obtained results of clustering on better tree showed that when the effectiveness of medicine has been increased, the patientʹs mean age was increased, and it was due to direct relation between preeclampsia and increasing age. Conclusion: The obtained results show that the probability of preeclampsia is increased with increasing age and the medications with high effectiveness should be used for treatment.  Therefore, more attention should be taken for selecting the used medicine with different effectiveness. Prediction of the effectiveness of medicine is performed for achieving these targets: help to the doctor for increasing the accuracy of diagnosis and prevention of incorrect diagnosis in dose of medicine consumption for patient, diagnosing the preeclampsia severity and inhibition of dangerous effects of extra consumption of medication by patient, prediction of the adequate medicine storage and prevention of medicine lack side-effects.