تخمين ميزان بقاء پيوند كليه با استفاده از داده كاوي

Estimating survival rate of kidney transplants by using data mining

هدف: نارسايي كليه از مشكلات پرهزينه جوامع انساني به‌شمار مي‌رود و استفاده از درمان‌هاي جايگزين در حوزه كليه در جهان و ايران رو به افزايش مي‌باشد. بقاء يكي از حوزه‌هاي پيش‌آگهي پزشكي است و داده كاوي فرايند كشف روابط و الگوهاي مناسب در داده‌هاست كه به عنوان روشي كارامد براي تحليل بقاء شناخته مي‌شود. هدف مطالعه حاضر، پيش‌بيني بقاء پيوند كليه بيمار بر اساس متغيرهاي پيش از پيوند كليه مي‌باشد. مواد و روش‌ها: به منظور شناسايي عوامل موثر در پيش‌بيني بقاء پيوند از طريق پرسش‌نامه‌اي محقق ساخته، نيازسنجي اطلاعاتي از متخصصان به‌عمل آمد سپس با استفاده از اطلاعات حاصل از تجزيه و تحليل پرسش‌نامه‌ها، چك‌ليستي تهيه و داده‌هاي 513 پرونده بيمار كليوي از مركز تحقيقات اورولوژي سينا، استخراج شد. در مرحله بعد با پيروي از متدلوژي CRISP به منظور تحليل و داده كاوي از نرم‌افزار IBM SPSS Modeler 14.2 و الگوريتم C5.0 استفاده شد. يافته‌ها: در اين پژوهش متغيرهاي شاخص توده بدني، بيماري مرحله نهايي كليه و مدت زمان دياليز بيمار به عنوان موثرترين فاكتورهاي دخيل در بقاء پيوند ارزيابي شدند و قوانين استخراج شده از مدل مي‌توانند به عنوان الگويي براي پيش‌بيني بقاء پيوند كليه پيش از عمل جراحي استفاده شوند. صحت مدل ايجاد شده، %96.77 تخمين زده شد. نتيجه‌گيري: ميزان بالاي صحت مدل C5.0 نشان از قدرت پيش‌بيني بقاء آن دارد. در اين مطالعه موثرترين فاكتورهاي بقاء پيوند كليه شناسايي شدند و با توجه به قوانين ايجاد شده براي يك نمونه جديد با ويژگي‌هاي مشخص، مي‌توان به پيش‌بيني دوام پيوند بيمار بر اساس سال پرداخت

Introduction: todays, kidney failure is one of the costly problems of human society and use of renal replacement therapy is increasing in the world and Iran. Survival analysis is one of the fields in medical prognosis and data mining is a process of discovering unknown relationship and is a useful pattern from data and is known as a highly efficient method in survival analysis. Conclusively, the purpose of this study is predicting the survival of the kidney transplant patient's according to variables before kidney transplant. Materials and Methods: In order to identify important factors for predicting survival in kidney transplant, informative requirements assessment was done by using self-designed questionnaire. Then, obtained information from the analysis of questionnaire was reviewed and data from 513 medical record of kidney patient in Sina Urology Research Center was extracted. Ultimately, by applying CRISP methodology, data mining was done by IBM SPSS Modeler 14.2 and C.5 algorithm. Results: In this study, BMI, ESRD and dialysis time were evaluated as the most effective factors in survival kidney transplant and extracted rules from the model can be used for predicting the survival of the transplanted kidney before the surgery. Accuracy rate of this model was estimated at 96.77%. Conclusion: The high accuracy rate of C5.0 model shows the power of it in survival prediction. Furthermore, the most effective kidney transplant survival factors were identified and kidney transplanted survival of a new patient with distinctive features, can be predicted.