TY - JOUR ID - 11239 TI - کاربرد داده‌کاوی در پیش‌بینی مرگ بیماران سوختگی: مقایسه عملکرد چندین الگوریتم JO - مدیریت اطلاعات سلامت JA - HIM LA - fa SN - 1735-7853 AU - نبوتی, احسان AU - عزیزی, امیرعباس AU - عباسی, ابراهیم AU - وکیلی ارکی, حسن AU - زارعی, جواد AU - رضوی, امیررضا AD - دانشجوی دکتری تخصصی، انفورماتیک پزشکی، کمیته‌‌ تحقیقات دانشجویی، دانشگاه علوم پزشکی مشهد، مشهد، ایران AD - دانشجوی دکتری تخصصی، انفورماتیک پزشکی، گروه پژوهشی انفورماتیک سرطان، مرکز تحقیقات سرطان پستان جهاد دانشگاهی، تهران، ایران AD - دانشجوی دکتری تخصصی، مدیریت اطلاعات سلامت، مرکز تحقیقات علوم مدیریت و اقتصاد سلامت، دانشکده‌ی‌ مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران AD - استادیار، انفورماتیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران Y1 - 2014 PY - 2014 VL - 10 IS - 6 SP - 789 EP - 799 KW - داده‌کاوی KW - یادگیری ماشین KW - پیش‌بینی KW - درخت تصمیم KW - شبکه‌ی عصبی مصنوعی KW - سوختگی‌ها DO - N2 - مقدمه: در دهه‌ی اخیر الگوریتم‌های یادگیری ماشین به ابزار مفیدی جهت داده‌کاوی در داده‌های پزشکی، برای تولید مدل‌های پیش‌بینی تبدیل شده‌اند. سوختگی از جمله بیماری‌هایی است که پیش‌بینی پیامد آن از اهمیت زیادی برخوردار است. هدف این مطالعه بررسی عملکرد دو الگوریتم پراستفاده‌ی یادگیری ماشین یعنی شبکه‌ی عصبی و درخت تصمیم و مقایسه با روش آماری رگرسیون لجستیک در پیش‌بینی پیامد بیماران سوختگی بوده است. روش بررسی: در این مطالعه مشاهده‌ای گذشته‌نگر، پس از انجام پردازش اولیه‌ی داده‌ها و تعیین پیامد (زنده یا فوت)، دو الگوریتم یادگیری ماشین (شبکه‌ی عصبی و درخت تصمیم) به همراه روش آماری رگرسیون لجستیک برای تولید مدل‌های پیش‌بینی روی داده‌های 4804 بیمار سوختگی بیمارستان طالقانی اهواز مربوط به سال‌های 1380 تا 1386 اعمال گردید. برای پردازش اولیه‌ی داده‌ها نرم‌افزار SPSS16 و در مرحله‌ی مدل‌سازی از Clementine 12.0 استفاده شد. همچنین با به‌کارگیری تکنیک 10-Fold Cross Validation، معیارهای ارزیابی کارایی برای داده‌های تست محاسبه و مقایسه شدند. یافته‌ها: نتایج نشان داد الگوریتم شبکه‌ی عصبی با دقت 97 درصد منجر به دقیق‌ترین مدل روی داده‌های مورد مطالعه می‌شود. مدل درخت تصمیم با دقت 95 درصد در رده‌ی دوم و مدل رگرسیون لجستیک با دقت 90 درصد کم‌ترین دقت را داشت. سایر معیارهای ارزیابی مانند حساسیت (Sensitivity)، ویژگی (Specificity)، PPV (Positive Predictive Value) و NPV (Negative Predictive Value) و AUC (Area Under the Curve) نیز کارایی مدل شبکه‌ی عصبی را بالاتر از دو مدل دیگر نشان دادند.  نتیجه‌گیری: تحلیل نتایج این مطالعه و مطالعات مشابه نشان می‌دهند که الگوریتم‌های یادگیری ماشین نسبت به روش‌های آماری منجر به تولید مدل‌های دقیق‌تری می‌شوند. بسته به ماهیت و میزان داده‌ها و همچنین جامعه‌ی پژوهش، الگوریتم‌های مختلف یادگیری ماشین، رفتارهای متفاوتی دارند که به‌نظر می‌رسد دقت مدل‌های شبکه‌ی عصبی از سایر مدل‌ها بیشتر می‌باشد. واژ‌ه‌های کلیدی: داده‌کاوی؛ یادگیری ماشین؛ پیش‌بینی؛ درخت تصمیم؛ شبکه‌ی عصبی مصنوعی؛ سوختگی‌ها  UR - https://him.mui.ac.ir/article_11239.html L1 - https://him.mui.ac.ir/article_11239_5cffcde22b4ef91677de072418424d55.pdf ER -