خوشه بندی بیماران مبتلا به کم خونی با رویکرد داده کاوی

شایع ترین اختلال خونی به ویژه در زنان، بیماری کم خونی است. کشف دانش از میان حجم انبوه داده ها از سوابق بیماران با استفاده از داده کاوی می تواند منجر به بهبود کیفیت خدمات پزشکی شود. هدف این مطالعه خوشه بندی بیماران کم خونی با استفاده از الگوریتم های داده کاوی به منظور تحلیل و ارزیابی وضعیت بیماران است.
در این پژوهش کاربردی، داده های آزمایشگاهی و بالینی بیماران کم خونی در جمعیت زنان مورد مطالعه قرار گرفته است. داده های مورد بررسی از اردیبهشت 1392 تا اردیبهشت 1393 از آزمایشگاه بیمارستان های امام حسین (ع) و شهدای هفتم تیر شهر تهران با 690 رکورد و 15 مشخصه ی آزمایشگاهی و بالینی از بیماران کم خونی جمع آوری شده است. برای کشف ساختارهای پنهان با استفاده از الگوریتم k-medoids بیماران خوشه بندی شده اند. برای تعیین کیفیت خوشه بندی از شاخص سیلوئت استفاده شده است.
مشخصه های Red Blood Cell (RBC)، Mean corpuscular hemoglobin (MCH)، Ferritin، GI cancer، GI infection و GI surgery بر اساس فرآیند خوشه بندی به عنوان مهم ترین مشخصه های بیماران شناسایی شده اند. بیماران کم خونی با توجه به مشخصه هایشان در سه خوشه توزیع شده اند. میانگین شاخص سیلوئت(Silhouette Coefficient) برای کیفیت خوشه بندی 80% است. یعنی خوشه بندی دارای ساختار قوی می باشد.
نتایج نشان داد که خوشه بندی با کل مشخصه ها نتایج مناسبی را ارایه نمی دهد. بنابراین هر بار با تعداد متفاوتی از مشخصه ها خوشه بندی انجام شد. نتایج خوشه بندی وضعیت بیماران هر خوشه را مشابه و متمایز از سایر خوشه ها نشان می دهد. خوشه اول شامل بیماران کم خونی فقر آهن خفیف، خوشه دوم شامل بیماران کم خونی فقر آهن شدید و خوشه سوم بیماران با دیگر علل کم خونی را دربرمی گیرد. تقسیم بندی بیماران کم خونی می تواند ابزار مفید و موثر برای تحلیل و بهبود فرآیند تصمیم گیری پزشکان در رابطه با درمان بیماران باشد.