تعيين عوامل خطرزا و ارايه مدل پيش‌آگهي آمبولي ريه بيماران بستري با استفاده از شبكه‌هاي بيزي

Determining the Risk Factors and Presenting a Prognostic Model for Pulmonary Embolism in Hospitalized Patients using Bayesian Networks

مقدمه و اهداف: آمبولي ريه يك رويداد بالقوه كشنده و در عين حال شايع است كه در سال‌هاي اخير باعث افزايش تدريجي تعداد بستري‌هاي ناشي از آن در بيمارستان‌ها شده است. به همين دليل، يكي از چالش برانگيزترين بيماري‌ها نزد پزشكان به حساب مي‌آيد. هدف اصلي از اين پژوهش، گزارش يك پروژه تحقيقاتي به منظور مقايسه الگوريتم‌هاي مختلف داده‌كاوي براي انتخاب دقيق‌ترين مدل براي پيش‌بيني وقوع آمبولي ريه در بيماران بستري است كه به فراهم كردن دانش مورد نياز كادر درماني در تصميم‌گيري بهتر كمك مي‌كند. روش كار: در اين پژوهش تلاش شد تا با استفاده از روش‌هاي مختلف يادگيري ماشين، يك مدل پيش‌بيني طراحي شود كه بهترين عملكرد در پيش‌بيني احتمال وقوع آمبولي ريه در بيماران بستري در معرض خطر را داشته باشد. از ميان الگوريتم‌هاي داده‌كاوي، از شبكه‌هاي بيزي و الگوريتم‌هاي درخت تصميم J48، رگرسيون لجستيك و نيز بهينه‌سازي حداقل متوالي استفاده شد. داده‌هاي مورد استفاده تحقيق، عوامل خطرزا و سوابق گذشته مربوط به بيماران بستري بخش ريه بيمارستان شريعتي تهران بود. يافته‌ها: بررسي‌ها صورت گرفته نشان مي‌دهد كه صحت و ويژگي در تمام مدل‌‌هاي پيش‌بيني از عملكرد مطلوبي برخوردار بوده است، و مدل بيزي در پيش‌بيني وقوع آمبولي ريه، بيشترين ميزان حساسيت را داشت. نتيجه‌گيري: يافته‌ها نشان مي‌دهند اگر چه تفاوت كمي در عملكرد مد‌ل‌هاي پيش‌بيني وجود دارد، اما در اين گونه داده‌ها براي پيش‌بيني وقوع آمبولي ريه در بيماران بستري، مدل شبكه بيزي ابزار مناسب‌تري است، كه مي‌تواند به‌عنوان روش حمايتي در كنار تصميم‌هاي پزشكي قرار گيرد تا صحت پيش‌بيني بيماري‌ها را ارتقاء بخشد.

Background and Objectives: Pulmonary embolism is a potentially fatal and prevalent event that has led to a gradual increase in the number of hospitalizations in recent years. For this reason, it is one of the most challenging diseases for physicians. The main purpose of this paper was to report a research project to compare different data mining algorithms to select the most accurate model for predicting pulmonary embolism in hospitalized patients. This model would provide the knowledge needed by the medical staff fir better decision making. Methods: In this research, we designed a prediction model using different methods of machine learning that would best predict the probability of pulmonary embolism in patients at risk. Among data mining algorithms, Bayesian network, decisions tree (J48), logistic regression (LR), and sequential minimal optimization (SMO) were used. The data used in the study included risk factors and past history of patients admitted to the Lung Department of Shariati Hospital, Tehran, Iran. Results: The results showed that the accuracy and specificity of all prediction models were satisfactory. The Bayesian model had the highest sensitivity in predicting pulmonary embolism. Conclusion: Although the results showed a little difference in the performance of prediction models, the Bayesian model is a more appropriate tool to predict the occurrence of pulmonary embolism in hospitalized patients in this type of data. It can be considered a supportive approach along medical decisions to improve disease prediction.