fa پیش‌بینی مقدار تجویز داروی اریتروپویتین در بیماران همودیالیزی- رویکرد داده‌کاوی مهندسی پزشکی Biomedical engineering پژوهشي-کامل Research(Original) 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. 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. Data mining, prediction, erythropoietin, hemodialysis patients 26 35 http://jmums.mazums.ac.ir/browse.php?a_code=A-10-29-359&slc_lang=fa&sid=1 Akram Tavousi اکرم طاوسی 100319475328460053485 100319475328460053485 No 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 Mohammad Mehdi Sepehri محمد مهدی سپهری mehdi.sepehri@modares.ac.ir 100319475328460053486 100319475328460053486 Yes 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 2. دانشیار، گروه مهندسی سیستم‏های سلامت، دانشکده مهندسی صنایع و سیستم‏ها، دانشگاه تربیت مدرس، تهران، ایران 3. مرکز تحقیقات مدیریت بیمارستانی، دانشگاه علوم پزشکی ایران، تهران، ایران Tahereh Malakoutian طاهره ملکوتیان 100319475328460053487 100319475328460053487 No Assistant Professor, Department of Internal Medicine, Iran University of Medical Sciences, Tehran, Iran استادیار، گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Toktam Khatibi توکتم خطیبی 100319475328460053488 100319475328460053488 No Assistant Professor, Department of Industrial Engineering, Faculty of Industrial and Systems Engineering, Tarbiat Modares University, Tehran, Iran استادیار، گروه مهندسی سیستم‏های سلامت، دانشکده مهندسی صنایع و سیستم‏ها، دانشگاه تربیت مدرس، تهران، ایران