استفاده از درخت تصمیم برای پیش بینی سطح فریتین سرم در زنان مبتلا به کم خونی

داده کاوی به عنوان فرایند شناسایی و تجزیه و تحلیل مقدار زیادی داده به منظور یافتن رفتارها و قوانین معنا دار است. داده کاوی در بهداشت و درمان فرصت های بی شماری را برای بررسی الگوهای پنهان از یک مجموعه داده فراهم می کند. این الگوها را می توان توسط پزشکان برای تشخیص، پیش آگاهی و درمان بیماران استفاده کرد. هدف اصلی در این مطالعه استفاده از تکنیک های داده کاوی برای پیش بینی سطح فریتین سرم در زنان مبتلا به کم خونی و شناسایی متغیرهای اساسی در تشخیص این بیماری می باشد.
در این پژوهش کاربردی، تعداد 690 بیمار و 22 متغیر در جمعیت زنان مبتلا به بیماری کم خونی بررسی شده اند. داده ها مربوط به بیمارانی بود که از اردیبهشت 1392 تا اردیبهشت 1393 به آزمایشگاه بیمارستان های امام حسین (ع) و شهدای هفتم تیر مراجعه کرده اند. از تکنیک درخت تصمیم برای ساخت مدل استفاده شد.
دقت مدل دسته بند درخت تصمیم با تمام متغیرها 75% بود. ترکیب های متفاوت از متغیرها جهت یافتن بهترین مدل برای پیش بینی بررسی شدند. با توجه به مدل بهینه درخت تصمیم به دست آمده، متغیرهای RBC، MCH، MCHC، زخم های معده-روده و سرطان معده-روده، به عنوان مهم ترین عوامل پیش بینی کننده شناخته شدند. نتایج نشان داد که اگر مقدار متغیرهای Mean corpuscular volume (MCV)، Mean corpuscular hemoglobin concentration (MCHC) و Mean corpuscular hemoglobin (MCH) نرمال و متغیر RBC کمتر از حد نرمال باشند، فرد با احتمال %90 به کم خونی فقر آهن مبتلا است.
با توجه به سادگی و هزینه پایین آزمایش شمارش کامل خون، مدل درخت تصمیم به منظور تشخیص بیماری کم خونی فقر آهن ایجاد شد. همچنین در این پژوهش تاثیر عوامل جدیدی مانند جراحی ها و بیماری های مختلف در نظر گرفته شد. قوانین به دست آمده از مدل درخت تصمیم می تواند فرایند تشخیص و درمان بیماران مبتلا به کم خونی فقر آهن را بهبود بخشد.