كاربرد داده كاوي در بيماران مبتلا به بيماري آسم

Data Mining And Analysis: Reporting Results For Patients With Asthma

زمینه و هدف: داده كاوی شاخ هی بسیار مهمی در فهم عمی قتر داد ههای پزشكی است كه در صدد حل مسائل در تشخیص و درمان بیماری ها می باشد. یكی از مهمترین كاربردهای داده كاوی، بررسی الگوهای موجود در داد هها است. هدف از این پژوهش تعیین الگوهای موجود در داده های بیماران مبتلا به آسم است. روش بررسی: جامعه ی پژوهش شامل بیماران دارای نشانه های تنفسی و نمونه پژوهش شامل داده های ثبت شده ی 258 فرد مراجعه كننده با علائم تنفسی به بیمارستانهای امام خمینی(ره) و مسیح دانشوری شهر تهران بود. مجموعه داده ی وارد شد و افزونه داده كاوی این نرم Excel مذكور با استفاده از فرم گردآوری داده جمع آوری گردید و در محیط نرم افزار افزار مورد استفاده قرار گرفت و سپس تحلیل های اثرگذارهای كلیدی، دسته بندی بیماران و تشخیص استثنائات انجام شد. یافته ها: فراوان ترین نشانه بالینی مبتلایان به آسم در مجموعه ی حاضر، سرفه های شدید بود و این بیماری تحت تاثیر شدید هیجانات قرار داشت. داده ها، جهت انجام تحلیل های كلی تر، در پنج خوشه تجمیع شدند و وجه مشترك آنها ارائه ، شد و سوابقی كه ویژگی های استثنایی داشتند، شناسایی شدند. سپس با تحلیل هزین هها و تعیین مقدار آستانه برابر 612 پرسش نامه ی تشخیص آسم به روش كارت امتیاز ارائه گردید. نتیجه گیری: چارچوب ارائه شده برای تحلیل و داده كاوی، ابزاری مناسب جهت استخراج دانش از روی داد هها می باشد و می تواند هنگام استفاده از راهكارهای بالینی، شكاف موجود در تصمیم گیری را شناسایی و پر كند

Background and Aim: Data mining is a very important branch in deeper understanding of medical data, which attempts to solve problems in the diagnosis and treatment of diseases. One of the most important data mining applications is to examine the existing data patterns. The present study aims to examine the existing data patterns of patients with asthma. Materials and Methods: This study was performed on 258 patients with respiratory symptoms, who referred to Imam Khomeini and Masih Daneshvari Hospitals in 2009. All records were entered into Excel software, and data mining add-ins were used. Analyses such as key influencers, cluster analysis of patients, and detecting exceptions have been done. Results: The most common clinical sign of asthma among subjects was severe coughing, which was highly affected by thrills. The data were aggregated into 5 clusters for more general analyses. Their common denominator was then identified and the records with exceptional features were determined. Then, following cost analysis and setting the threshold value at 612, a questionnaire was developed based on data features for diagnosis of asthma. Conclusion: The developed framework for data mining and analysis is an appropriate tool for knowledge extraction based on the data and their relationships. Meanwhile, it can identify and fill the existing gap in medical decision- making when using clinical guideline