این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدیریت سلامت، جلد ۲۰، شماره ۶۷، صفحات ۹۹-۱۱۰
عنوان فارسی ارائه مدلی برای پیش‌بینی نوع صافی همودیالیز با تکنیک‌های داده‌کاوی
چکیده فارسی مقاله مقدمه: دیالیز ناکافی به عنوان یک عامل خطر مرگ و میر برای بیماران کلیوی، ضرورت وجودالگویی برای کمک به پرسنل بخش دیالیز جهت ارائه خدمات درست به بیماران دیالیزی و مدیریت صحیح درمان آن­ها را نشان می­دهد. پژوهش حاضر با هدف شناسایی الگویی برای تشخیص نوع صافی همودیالیز صورت گرفته است زیرا نقش نوع صافی در کفایت دیالیز تعیین کننده می­باشد. مواد و روش‌ها: پژوهش حاضر به روش توصیفی- مقطعی صورت گرفته و نمونه­گیری به روش سرشماری بوده است. جامعه­ی پژوهش متشکل از داده­های بیمارستان علی ابن ابی طالب (ع) زاهدان در خردادماه 95 است که با مراجعه مستقیم پژوهش­گر به سازمان حاصل و به صورت فایل اکسل تهیه گردید. جهت تحلیل داده­ها از نرم افزار Clementine12.0 استفاده شده است. در پژوهش حاضر الگوریتم­های درخت تصمیم و شبکه عصبی اجرا گردیدند. یافته‏ها: مقدار صحت بدست آمده از اجرای الگوریتم­های C5.0 ،C&R Tree، CHAID، QUEST و شبکه عصبی به ترتیب 9263/0، 9047/0، 8872/0، 8720/0 و 8754/0 می­باشد. مقادیر بدست آمده برای شاخص­های حساسیت، شفافیت، صحت، دقت، NPV، FM، GM، FPR، FNR، FDR و ER و نیز سطح زیر منحنی ROC برای مدلC5.0 نشان­دهنده عملکرد بهتر این الگوریتم نسبت به سایرین می­باشد. نتیجه‏گیری: مقادیر بیشتر برای 7 شاخص اول نشان­ می­دهد که طبقه بند مورد استفاده نمونه­های بیشتری را در جای درست خود طبقه بندی کرده و مقادیر کم 4 شاخص آخر وقوع خطای کمتر در طبقه بندی نمونه­ها را تایید می­نماید. مدل C5.0 در 7 شاخص اول بیشترین مقدار و در 4 شاخص آخر کمترین مقدار را دارد. مدل ارائه شده به پیش­بینی دقیق­تر نوع صافی همودیالیز و نیز مدیریت صحیح درمان بیماران کمک می­نماید.
کلیدواژه‌های فارسی مقاله همودیالیز، صافی، داده کاوی، درخت تصمیم
عنوان انگلیسی A Model to Predict Hemodialysis Buffer Type Using Data Mining Techniques
چکیده انگلیسی مقاله Introduction: Inadequate dialysis for patients' kidneys as a mortality risk necessitates the presence of a pattern to assist staff in dialysate part to provide the proper services for dialysis patients and also the proper management of their treatment. Since the role of buffer type in the adequacy of dialysis is determinative, the present study is aimed at determining hemodialysis buffer type. Methods: Cross-sectional method was applied in the present study. The population included the data extracted from Ali Ibn Abi Talib hospitals in Zahedan from May-June 2016. In this study Clementine 12.0 has been used for data analysis. In the present study Decision trees C5.0, Classification and Regression Tree, Chi-Squared Automatic Interaction Detector, Unbiased and Efficient Statistical Tree and Neural Network algorithms were executed. Results: The obtained accuracy for executing decision trees C5.0, Classification and Regression Tree, Chi-Squared Automatic Interaction Detector, Unbiased and Efficient Statistical Tree and Neural Network equals 0.9263, 0.9047, 0.8872, 0.8720 and 0.8754, respectively. The results of indices including sensitivity, specificity, accuracy, precision, NPV, FM, GM, FPR, FNR, FDR, ER for C5.0 decision tree are indicators of better performance of this algorithm compared to the other algorithms. Conclusion: The extracted rules for a new sample having specific features can predict proper dialysis buffer. Hence, the proposed model helps us in predicting more precise hemodialysis buffer type and also the proper management of patient treatment which result in better performance among health organization.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مریم عاشوری | m ashoori
, school of technical and engineering, higher educational complex of saravan, saravan, iran
سراوان- مجتمع آموزش عالی

نشانی اینترنتی http://jha.iums.ac.ir/browse.php?a_code=A-10-1121-4&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/52/article-52-329248.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده 1
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات