این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشگاه علوم پزشکی مازندران، جلد ۲۵، شماره ۱۲۹، صفحات ۲۶-۳۵
عنوان فارسی پیش‌بینی مقدار تجویز داروی اریتروپویتین در بیماران همودیالیزی- رویکرد داده‌کاوی
چکیده فارسی مقاله سابقه و هدف: نارسایی کلیه منجر به کاهش عملکرد کلیه‏ها می‏شود و این امر در درازمدت منجر به‏بیماری مزمن‏کلیه می‏گردد. یکی ازعوارض بیماری مزمن کلیه تخریب برگشت‏ناپذیر کلیه‏ها (رسیدن به مرحله پایانی بیماری‏ کلیه) است. یکی از شایع‏ترین راه‌های درمان بیماران دچار نارسایی کلیوی، همودیالیز است. به‏علاوه یکی از مسائل اصلی در همودیالیز، کمخونی ناشی از کمبود ترشح اریتروپویتین از کلیه‌ها است که معمولا با داروی اریتروپویتین صناعی، درمان می‏شود. از سوی دیگر انتخاب دوز مناسب داروی اریتروپویتین جهت مقابله با کم خونی بیماران همودیالیزی، و با توجه به قیمت بالا و عوارض این دارو، از اهمیت بالایی برخوردار است. لذا این پژوهش به منظور پیش‏بینی دوز داروی اریتروپویتین و شناسایی عوامل اثرگذار بر انتخاب دوز مناسب این دارو از رویکردهای داده کاوی بهره برده و آن‏ها را بر روی داده جمع‌آوری‌شده از بیماران همودیالیزی اعمال می‏کند. مواد و روش‌ها:. داده‌های پژوهش از مرکز دیالیزی در تهران جمع‌آوری‌شده است. فرض می‌شود ورودی مسئله، مشخصه های شش ماهه متوالی از بیمار به همراه مقدار داروی اریتروپویتین مورد استفاده تاکنون است. جهت اعمال رویکردهای داده‌کاوی بر این داده‏ها، آن را تبدیل به یک بردار ویژگی مشخصه نموده و از روش‏های ماشین بردار پشتیبان و جنگل تصادفی برای پیش‏بینی مقدار تجویز دارو استفاده می‏شود. یافته‌ها: نتایج حاصل از این تحقیق نشان می‏دهد مقادیر داروی تجویز شده در ماه‏های قبل بر مقدار دارو در ماه بعدی تاثیرگذار است. الگوریتم جنگل تصادفی با متوسط صحت 90 درصد و ماشین بردار پشتیبان با متوسط صحت 79 درصد در بهترین حالت، قادر به پیش‏بینی دوز داروی تجویزی هستند. استنتاج: این تحقیق با شناسایی ویژگی‌های مؤثر بر درمان بیماران همودیالیزی وکنترل کم‌خونی، سبب صرفه‏جویی در هزینه و زمان شده و از عوارض ناشی از تجویز بیش‌ از حد دارو و افزایش هموگلوبین بیمار، خواهد کاست.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Data Mining Approach in Prediction of Erythropoietin Dosage in Hemodialysis Patients
چکیده انگلیسی مقاله Background and purpose: Kidney failure reduces the kidney function and in long term it leads to chronic kidney disease. One of the main complications of this disease is irreversible damage to the kidneys (end-stage kidney disease) and hemodialysis is the main method used to treat advanced kidney failure. The main problem associated with hemodialysis is treating anemia caused by lack of erythropoietin secretion in kidney which is usually treated by synthetic erythropoietin. On the other hand, choosing the right dosage of erythropoietin is important because it is expensive and could have some complications. This research aimed at predicting the dosage of erythropoietin and identifying affecting factors. Materials and methods: Data was collected from a dialysis center in Tehran and data mining methods were used. The input variables were measured in the past 6 months of treating patients with erythropoietin. The sequential data was then converted to the bag of features (BOF) format. Then support vector machines and random forest were applied on the BOF to predict the erythropoietin dosage. Results: The amount of medication in previous months was found to be an important factor in determining the appropriate dosage of erythropoietin for the next month. In optimal condition, random forest and SVM could predict the erythropoietin dosage with an average accuracy of 90% and 79%, respectively. Conclusion: This study identified the factors influencing the treatment and control of anemia in hemodialysis patients. These results could be of great benefit in prescribing the proper dosage of erythropoietin, and reducing the treatment cost and duration. Moreover, it helps to prevent the complications caused by excessive use of erythropoietin such as increase in hemoglobin level.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله اکرم طاوسی | akram tavousi
msc student in medical informatics, faculty of medical sciences, tarbiat modares university, tehran, iran
دانشجوی کارشناسی ارشد انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

محمد مهدی سپهری | mohammad mehdi sepehri
hospital management research center, iran university of medical sciences, tehran, iran associate professor, department of healthcare systems engineering, faculty of industrial and systems engineering, tarbiat modares university, tehran, iran
تهران دانشگاه تربیت مدرس، دانشکده پزشکی، بیمارستان هاشمی نژاد
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

طاهره ملکوتیان | tahereh malakoutian
assistant professor, department of internal medicine, iran university of medical sciences, tehran, iran
استادیار، گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی ایران (Iran university of medical sciences)

توکتم خطیبی | toktam khatibi
assistant professor, department of industrial engineering, faculty of industrial and systems engineering, tarbiat modares university, tehran, iran
استادیار، گروه مهندسی سیستم های سلامت، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

نشانی اینترنتی http://jmums.mazums.ac.ir/browse.php?a_code=A-10-29-359&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مهندسی پزشکی
نوع مقاله منتشر شده پژوهشی-کامل
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات