کاربرد داده‌کاوی در پیش‌بینی مرگ بیماران سوختگی: مقایسه عملکرد چندین الگوریتم

Abstract

مقدمه: در دهه‌ی اخیر الگوریتم‌های یادگیری ماشین به ابزار مفیدی جهت داده‌کاوی در داده‌های پزشکی، برای تولید مدل‌های پیش‌بینی تبدیل شده‌اند. سوختگي از جمله بيماري‌هايي است كه پيش‌بيني پيامد آن از اهميت زيادي برخوردار است. هدف این مطالعه بررسی عملکرد دو الگوریتم پراستفاده‌ی یادگیری ماشین یعنی شبکه‌ی عصبی و درخت تصمیم و مقایسه با روش آماری رگرسيون لجستيك در پیش‌بینی پيامد بیماران سوختگی بوده است. روش بررسی: در این مطالعه مشاهده‌ای گذشته‌نگر، پس از انجام پردازش اولیه‌ی داده‌ها و تعیین پيامد (زنده یا فوت)، دو الگوریتم یادگیری ماشین (شبکه‌ی عصبی و درخت تصمیم) به همراه روش آماری رگرسيون لجستيك 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 رگرسيون لجستيك 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: تحليل 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

Keywords

• Data Mining
• Machine Learning
• Forecasting
• Decision Tree
• Artificial Neural Network
• Burns