كاربرد داده كاوي در پيش بيني بقاي پيوند كليه و شناسايي متغيرهاي تاثير گذار در بقاي كليه پيوندي

The Impact of Data Mining on Prediction of Renal Transplantation Survival and Identifying the Effective Factors on the Transplanted Kidney

نارسايي مزمن كليه از بيماري هاي شايع در ايران و جهان است و پيوند كليه روش درماني مناسب و موثرترين راهبرد در بين بيماران مبتلا به نارسايي مزمن كليه است. اين مطالعه جهت پيش بيني بقاي كليه پيوندي و شناسايي عوامل موثر بر آن و ارائه يك مدل به منظور صحت پيش بيني بالاتر انجام شد.روش: مطالعه حاضر به روش گذشته نگر بر روي داده هاي 423 مورد پرونده بيماران پيوند كليه در سال هاي 90-1385 در مركز آموزشيدرماني افضلي پور شهر كرمان انجام گرفت. از طبقه بند هاي شبكه عصبي، درخت تصميم و ماشين بردار پشتيبان جهت پيش بيني بقاي پيوند كليه و از همجوشي اطلاعات براي تركيب نتايج طبقه بندهاي ذكر شده، به منظور طراحي مدلي با صحت بالاتر استفاده شد. همچنين، براي شناسايي متغيرهاي تاثيرگذار در بقاي كليه پيوندي از الگوريتم ژنتيك و جهت تحليل داده ها و اجراي الگوريتم ها از نرم افزارهاي clementine 12 و weka استفاده شد.نتايج: صحت حاصل از سه روش شبكه عصبي، درخت تصميم و ماشين بردار پشتيبان به ترتيب برابر با 94 ، 92و 92 درصد و صحت به دست آمده از روش همجوشي اطلاعات برابر 95/74 درصد بوده است. همچنين، ويژگي هاي شاخص توده بدني و جنسيت گيرنده، سن دهنده، همساني گروه خوني دهنده و گيرنده و سابقه پيوند كليه توسط الگوريتم ژنتيك به عنوان متغير هاي تاثيرگذار در بقاي پيوند كليه شناسايي شد كه صحت پيش بيني مدل پيشنهادي با اين تعداد ويژگي 91/67 درصد بوده است.نتيجه گيري: با استفاده از همجوشي اطلاعات، مي توان صحت نتايج طبقه بندها را افزايش داد. همچنين، الگوريتم ژنتيك روش مناسبي جهت شناسايي ويژگي هاي بهينه است.

Introduction: Chronic kidney failure is a common disease in the world and kidney transplantation is the most effective treatment in patients with chronic kidney failure. The aim of this study was to predict the survival of transplanted kidney and identify its effective factors, and also to provide a model for higher prediction accuracy. Method: In this retrospective study, data from 423 cases of kidney transplant patients during 2006- 2011 in Afzalipour Teaching Hospital in Kerman were obtained. The neural networks, decision tree and support vector machine were used to predict kidney transplantation survival and information fusion was used to combine the results of these classifiers and design a model with higher prediction accuracy. In addition, for identifying factors affecting the survival of transplanted kidney, genetic algorithm was used and for data analysis and implementation of algorithms, Clementine 12 and Weka 2.3 were used. Results: The accuracy of neural networks, decision tree, and support vector machine were 94%, 92%, and 92%, respectively, and the accuracy of information fusion was 95.74%. Also, recipient BMI and gender, donor age, compatibility of donor and recipient blood group, and history of kidney transplantation as the effective factors on renal transplantation survival were identified by genetic algorithm. The prediction accuracy of this model was 91.67%. Conclusion: The results show that information fusion can increase the prediction accuracy. Also, the genetic algorithm as an effective method can be used for identifying the optimal features