این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۵، شماره ۴، صفحات ۸۵-۹۴
عنوان فارسی پیش‌بینی و تعیین عوامل مؤثر بر بقای پنج‌سالۀ کلیۀ پیوندی در داده‌های نامتوازن با رویکرد فراابتکاری و یادگیری ماشین
چکیده فارسی مقاله در مرحلۀ نهاییِ نارسایی کلیه، پیوند کلیه می­تواند عمر بیماران را طولانی کند و کیفیت زندگی بیمار را بسیار بهبود بخشد. بعد از عمل پیوند کلیه، بررسی میزان یا پیش­بینی بقای کلیۀ پیوندی اهمیت زیادی دارد. این مطالعه بر روی بیماران کلیۀ پیوندی بیمارستان‌­هایامام رضا(ع) و چهارمین شهید محراب کرمانشاه در سال­های 2012- 2001 انجام شده است. از آن­جایی‌که داده­های نامتوازن باعث ناکارامدی مدل­های یادگیری ماشین می­شوند، ابتدا داده­های نامتوازن با دو روش بیش‌­نمونه‌­برداری و زیر­نمونه­برداری متوازن شدند؛ سپس عوامل اثرگذار بر بقای پیوند کلیه به­کمک الگوریتم فراابتکاری ژنتیک شناسایی شده و مدل یادگیر طبقه­بند نزدیک­ترین همسایه برای پیش­بینی بقای پنج سالۀ کلیۀ پیوندی به‌کار گرفته شد. بقای کلیۀ پیوندی در روش بیش­نمونه­برداری با دقّت 8/96 درصد و زیر­نمونه­برداری با دقّت 2/89 درصد پیش­بینی شد. هم‌چنین، ویژگی­های وزن، سنِّ دهنده و گیرنده، اورۀ قبل پیوند، کراتین قبل پیوند، هموگلوبین قبل و بعد پیوند، جنسیتِ دهنده، RH دهنده و گیرنده، بیماری اولیه، سنِّ دهندۀ بالای سی و سنِّ گیرندۀ بالای چهل، به­عنوان ویژگی­های تأثیرگذا­ر ­در بقای کلیه پیوندی شناسایی شد. مقایسه نتایج به‌دست­آمده از این پژوهش با مطالعات پیشین، برتری مدل پیشنهادی را از نقطه­نظر دقّت مدل نشان می­دهد. به­عبارتی متوازن­سازی داده­ها همراه با انتخاب ویژگی­ بهینه منجر به ارائه مدل پیش­بینی دقیق­تری می‌شود.  
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Prediction and determining the effective factors on the survival transplanted kidney for five-year in imbalanced data by the meta-heuristic approach and machine learning
چکیده انگلیسی مقاله Chronic kidney failure is one of the most widespread diseases in Iran and the world. In general, the disease is common in high health indexes societies due to increased longevity. Treatment for chronic kidney failure is dialysis and kidney transplantation. Kidney transplantation is an appropriate and effective strategy for patients with End-Stage Renal Disease (ESRD), and it provides a better life and reduces mortality risk for patients. In contrast to many benefits that kidney transplantation has in terms of improving physical and mental health and the life's quality in kidney transplantation patients, it may be rejected because of host's immune response to the received kidney, and it consequences the need for another transplantation, or even death will have to. In fact, a patient that can survive for years with dialysis, he may lose his life with an inappropriate transplantation or be forced into high-risk surgical procedures.  According to the above, the study of predicting the survival of kidney transplantation, its effective factors and providing a model for purposing of high prediction accuracy is essential. Studies in the field of survival of kidney transplantation include statistical studies, artificial intelligence and machine learning. In all of the studies in this feild, researchers have sought to identify a more effective set of features in survival of transplantation and the design of predictive models with higher accuracy and lower error rate. This study carried out on 756 kidney transplant patients with 21 features of Imam Reza and Fourth Shahid Merab hospital in Kermanshah from 2001 to 2012. Some features set to binary value and other features have real continuous values. Due to data are unbalance, which led to convergence of classification model to majority class, so over sampling and under sampling techniques has been used for achieving higher accuracy. To identify the more effective features on the survival of the kidney transplantation, the genetic meta-heuristic algorithm is used. For this purpose binary coding for each chromosome has been used; it is combining three single-point, two-point, and uniform operators to make better generations, better convergence and achieve higher accuracy rate. The genetic search algorithm plays a vital role in searching for such a space in a reasonable time because data search space is exponential. In fact, in balanced data, genetic algorithm determines the effective factors and the K-nearest neighbor model with precision of classification as the evaluator function was used to predict the five-year survival of the kidney transplantation. Based on the results of this study, in comparison to similar studies for prediction of survival transplanted kidney, the five-year survival rate of transplanted kidney was appropriate in these models. Also the effective factors in over sampling and under sampling methods with a precision of 96.8% and 89.2% are obtained respectively. in addition weight, donor and recipient age, pre-transplantation urea, pre-transplantation creatinine, hemoglobin before and after transplantation, donor gender, donor and recipient RH, primary illness, donor age up 30 and receipt age up 40 were identified as the effective features on kidney transplantation survival. Comparing the results of this study with previous studies shows the superiority of the proposed model from the point of view of the models' precision. In particular, balancing the data along the selection of optimal features leads to a high precision predictive model.  
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله نسیبه امامی | nasibeh emami
دانشگاه کوثر بجنورد

زینب حسنی | zeinab hassani
دانشگاه کوثر بجنورد

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1348-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-1358695.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات