استفاده از تكنيك هاي داده كاوي جهت تشخيص افتراقي بيماريهاي فقر آهن و بتا-تالاسمي مينور

Using Data Mining Models for Differential Diagnosis of Iron Deficiency Anemia and β-thalassemia Minor

مقدمه كم خوني، فقرآهن يكي از شايع ترين انواع كم خوني است كه تشخيص افتراقي اصلي آن بتا-تالاسمي مينور مي باشد. غربالگري سريع و دقيق بتا-تالاسمي مينور جهت مشاوره پزشكي قبل از ازدواج و جلوگيري از تولد نوزادان مبتلا به بتا-تالاسمي ماژور و تمايز آن از فقرآهن براي پيشگيري از تجويز نابه جاي آهن براي درمان بتا-تالاسمي مينور از اهميت ويژه اي برخوردار است. هدف مطالعه حاضر به كارگيري تكنيك هاي داده كاوي جهت افتراق فقر آهن از بتا-تالاسمي مينور بر اساس آزمايش هاي CBC به منظور افزايش سرعت تشخيص و كاهش هزينه هاي تشخيصي است. روش پژوهش حاضر از نوع گذشته نگر و بر روي داده هاي 1000 بيمار در آزمايشگاه دكتر حيدري شهرستان زاهدان انجام گرفت. براي انجام تحقيق از روش استاندارد CRISP-DM و الگوريتم هاي داده كاوي ماشين بردار پشتيبان، بيزين ساده، بگينگ، آدابوست و درخت تصميم استفاده شد. براي تحليل داده ها نرم افزار Weka به كار رفت. نتايج نتايج ارزيابي هاي انجام گرفته نشان مي دهد كه الگوريتم هاي بگينگ، درخت تصميم، آدابوست، ماشين بردار پشتيبان و بيزين ساده در افتراق فقر آهن از بتا-تالاسمي مينور به ترتيب به دقت 95/73، 95/5، 94/6، 80/2، 76/6 درصد دست يافته اند. نتيجه گيري در اين تحقيق روشي خودكار مبتني بر تكنيك هاي داده كاوي براي افتراق فقر آهن از بتا-تالاسمي مينور ارائه شد. نتايج ارزيابي ها نشان مي دهد كه الگوريتم بگينگ در افتراق فقر آهن از بتا-تالاسمي مينور به دقت بالاتري در مقايسه با ساير الگوريتم هاي داده كاوي و شاخص هاي افتراقي دست يافت. همچنين به كمك درخت تصميم ايجاد شده، قوانيني استخراج شده اند كه مي توانند در تشخيص به موقع دو بيماري مذكور توسط پزشك مورد استفاده قرار گيرند.

Introduction: One of the most common types of anemia is Iron deficiency anemia that its main differential diagnosis is β-thalassemia minor. The rapid and accurate screening of β-thalassemia minor has particular importance for pre-marriage medical counseling and the prevention of the birth of neonates with β-thalassemia major and differentiating it from iron deficiency anemia to avoid unnecessary prescription of iron. The aim of this study was to apply data mining techniques to differentiate iron deficiency anemia from β-thalassemia minor based on CBC test in order to increase the diagnostic speed and to reduce diagnostic costs. Method: The present study was a retrospective study and was performed on 1000 patients referred to Dr. Heidari laboratory of Zahedan city. To conduct research, CRISP-DM standard methodology and support vector machine data mining algorithms, naive Bayes, Bagging, Adaboots and decision tree have been used. WEKA software was used to analyze the data. Results: The results of the evaluations show that Bagging, Decision tree, Adaboots, support vector machine, and naive Bayes algorithms had respectively 95.73%, 95.5%, 94.6%, 80.2% and 76.6% accuracy in differentiating iron deficiency anemia from β-thalassemia minor. Conclusion: In this study, an automatic method based on data mining techniques for differentiation of iron deficiency anemia from β-thalassemia minor is presented. The results of the evaluations show that Bagging algorithm has higher accuracy compared to other data mining algorithms and differential indices. Also, with the help of the decision tree, rules have been extracted that can be used by the physician in timely diagnosis of the two diseases.