تعيين عوامل خطرزا به منظور پيش‌بيني وقوع آمبولي ريه در بيماران بستري

Determination of risk factors for predicting pulmonary embolism using Bayesian networks

هدف: آمبولي ريه سومين عامل مرگ و مير قلبي عروقي بعد از سكته قلبي و مغزي و در عين حال قابل پيشگيري‌ترين علت مرگ بيماران بستري در بيمارستان است. تشخيص و پيش‌بيني آمبولي ريه نياز به مدل‌هاي تصميم‌گيري انعطاف‌پذير، هم براي حضور عوامل مداخله‌گر باليني و هم براي تنوع منابع تشخيص محلي دارد كه شبكه‌هاي بيزين به طور كامل اين نيازمندي‌ها را برطرف مي‌كنند. در اين مقاله، تعيين عوامل خطرزا آمبولي ريه و پيش‌بيني وقوع آمبولي ريه در بيماران بستري از طريق مدل‌سازي با استفاده از شبكه بيزين به‌عنوان يك ضرورت درماني ارائه شده است. مواد و روش‌ها: پژوهش حاضر، توصيفي-تحليلي است. داده‌هاي مورد استفاده تحقيق، عوامل خطرزا و سوابق گذشته مربوط به بيماران بستري بخش ريه بيمارستان شريعتي تهران بود. كه در قالب اكسل جمع‌آوري شد. مدل پيش‌بيني بيزين در دو حالت (عوامل خطرزاي تعيين‌شده با استفاده از سناريوي پيشنهادي و عوامل خطرزا طبق نظر پزشك متخصص) با استفاده از نرم‌افزار GENIE به‌دست آمده و از نظر معيارهاي ارزيابي مقايسه شدند. يافته‌ها: نتايج نشان داد از بين عوامل خطرزا وقوع بيماري، به‌ترتيب سابقه ترومبوآمبوليك ريوي، سابقه ترومبوز وريد عمقي، شاخص توده بدني بالاتر از 30، جراحي اخير، بي‌حركتي طولاني‌مدت، لوپوس، سندروم آنتي‌فسفوليپيد، سكته قلبي و پنوموني، مهم‌ترين عوامل خطرزا در وقوع آمبولي ريه هستند. و مدل پيش‌بيني با سناريوي پيشنهادي داراي عملكرد بهتري است. نتيجه‌گيري: انجام چنين طرح‌هايي مي‌تواند فرآيند ارزيابي خطر ابتلا به آمبولي ريه در بيماران بستري، به‌منظور اقدامات پيش‌گيرانه مناسب را تسهيل بخشد و موجب بهبود روش‌هاي پيشگيري و به تبع آن تشخيص و برنامه‌هاي درماني شود.

Introduction: Pulmonary embolism is the third leading cause of cardiovascular death after Myocardial infarction and stroke. At the same time, it is the most preventable cause of death for hospitalized patients. Importantly the diagnosis and prediction of pulmonary embolism requires flexible decision-making models, both for the presence of clinical interventions as well as for the variety of local diagnostic resources, Bayesian networks that fully meet these needs. Accordingly determining the risk factors for pulmonary embolism in hospitalized patients and presenting the model for predicting its occurrence through modeling using Bayesian networks have been proposed as a therapeutic necessity. Materials and Methods: The present research is descriptive-analytic study. The data used in the study included risk factors affecting the pulmonary embolism and the history of hospitalized patients in pulmonary section of Shariati hospital in Tehran were collected in Excel format. Bayesian prediction model in two modes (risk factors determined using the proposed scenario and risk factors according to the expert physician) is obtained using GENIE software and the accuracy of the diagnosis of pulmonary embolism was evaluated. Results: The results showed that among the risk factors of the disease, the history of thromboembolic pulmonary, history of deep vein thrombosis, body mass index above 30, recent surgery, immobilization of long-term, SLE, antiphospholipid syndrome, heart failure and pneumonia respectively, are the most important risk factors for pulmonary embolism. an‎d the model predicts the scenario proposed has better performance. Conclusion: Such plans can facilitate the process of assessing the risk of pulmonary embolism in hospitalized patients, in order to facilitate appropriate preventive measures, and to improve preventive methods and, consequently, diagnosis and treatment programs.