شناسايي، بررسي و رتبه بندي عوامل خطر وزن كم نوزادان در زمان تولد با استفاده از تكنيك هاي داده كاوي: مطالعه موردي بيمارستان امام علي (ع) دانشگاه علوم پزشكي زاهدان

Investigating the Risk Factors for Low Birth Weight Using Data Mining: A Case Study of Imam Ali Hospital, Zahedan, Iran

سابقه و هدف: نرخ بالاي مرگ و مير مادران، نوزادان، و تولد زودرس يك مسئله مهم بهداشت عمومي در سراسر جهان است. هدف مطالعه شناسايي، بررسي و رتبه‌بندي عوامل كم وزني نوزادان با تكنيك‌هاي داده كاوي براي شناسايي ميزان تاثير متغيرهاي پيش‌بيني كننده و توسعه يك سيستم پشتيباني تصميم‌گيري براي كمك به پزشكان در تصميم‌گيري بهترهنگام تولد نوزادان كم وزن است. مواد و روش‌ها: اطلاعات بخش اطفال بيمارستان امام علي دانشگاه علوم پزشكي زاهدان از جمله مصرف دخانيات، سن مادران و ... در سال 1392 مورد بررسي قرار گرفت. در بخش مدل‌سازي از الگوريتم‌هاي مختلف داده كاوي استفاده گرديد. براي تحليل داده‌ها از نرم‌افزار كلمنتاين استفاده شده است. يافته‌ها: متغيرهايي كه براي پيش‌بيني كم وزني نوزادان در زمان تولد بسيار موثرند وزن مادر (100 درصد)، سن مادر (98 درصد)، تعداد مراجعه به پزشك در سه ماهه اول بارداري (45/86 درصد) و سابقه زايمان زودرس (43/11درصد) و ساير متغيرها به طور ضعيفي پيش‌بيني را تحت تاثير قرار دادند. استنتاج: نتايج مطالعه بيانگر ارتباط وزن كم نوزادان در زمان تولد با وزن مادر، سن مادر، تعداد مراجعه به پزشك در سه ماهه اول بارداري، سابقه زايمان زودرس قبلي، فشارخون بالا، نژاد، تحريك‌پذيري رحم و مصرف دخانيات بود. صحت پيش‌بيني كه با رگرسيون لجستيك مقايسه شده، در تكنيك‌هاي داده كاوي بهبود مي‌يابد. درخت طبقه‌بندي به خوبي وزن كم نوزادان در زمان تولد را مشخص مي‌كند و تكنيك جنگل تصادفي در تشخيص بيماري نقش مهمي دارد.

Background and purpose: High rate of mothers and infants’ death and preterm birth are amongst major public health problems worldwide. The aim of this study was to identify, evaluate and rank the factors responsible for low birth weight using data mining techniques and also investigating the impact of predictor variables and developing a decision support system which could help physicians to make better treatment decisions at the birth of low weight infants. Materials and methods: Relevant information was collected from Imam Ali Hospital affiliated with Zahedan University of Medical Sciences in 2013 including smoking, the age of mothers, etc. Different data mining algorithms were applied for modeling. Data analysis was performed in Clementine software. Results: The variables that were very influential in predicting the low weight of infants at birth were mother’s weight (100%), mother’s age (98%), the number of doctor visits in the first trimester of pregnancy (45.86%), and previous preterm delivery (43.11%). Other variables poorly influenced the prediction. Conclusion: The findings revealed some relationships between the low weight of infants at birth and mother’s weight, mother’s age, number of doctor visits in the first trimester of pregnancy, previous preterm delivery, high blood pressure, race, uterine irritability, and smoking. The accuracy of prediction improved via data mining techniques compared to logistic regression. Classification tre e could determine the low weight of infants at birth well and random forest technique had an important role in making the diagnosis.