کاربرد داده کاوی در پیش بینی مرگ بیماران سوختگی: مقایسه عملکرد چندین الگوریتم

در دهه ی اخیر الگوریتم های یادگیری ماشین به ابزار مفیدی جهت داده کاوی در داده های پزشکی، برای تولید مدل های پیش بینی تبدیل شده اند. سوختگی از جمله بیماری هایی است که پیش بینی پیامد آن از اهمیت زیادی برخوردار است. هدف این مطالعه بررسی عملکرد دو الگوریتم پراستفاده ی یادگیری ماشین یعنی شبکه ی عصبی و درخت تصمیم و مقایسه با روش آماری رگرسیون لجستیک در پیش بینی پیامد بیماران سوختگی بوده است.
در این مطالعه مشاهده ای گذشته نگر، پس از انجام پردازش اولیه ی داده ها و تعیین پیامد (زنده یا فوت)، دو الگوریتم یادگیری ماشین (شبکه ی عصبی و درخت تصمیم) به همراه روش آماری رگرسیون لجستیک برای تولید مدل های پیش بینی روی داده های 4804 بیمار سوختگی بیمارستان طالقانی اهواز مربوط به سال های 1380 تا 1386 اعمال گردید. برای پردازش اولیه ی داده ها نرم افزار SPSS16 و در مرحله ی مدل سازی از Clementine 12.0 استفاده شد. همچنین با به کارگیری تکنیک 10-Fold Cross Validation، معیارهای ارزیابی کارایی برای داده های تست محاسبه و مقایسه شدند.
نتایج نشان داد الگوریتم شبکه ی عصبی با دقت 97 درصد منجر به دقیق ترین مدل روی داده های مورد مطالعه می شود. مدل درخت تصمیم با دقت 95 درصد در رده ی دوم و مدل رگرسیون لجستیک با دقت 90 درصد کم ترین 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 شبکه ی عصبی را بالاتر از دو مدل دیگر نشان دادند.
تحلیل نتایج این مطالعه و مطالعات مشابه نشان می دهند که الگوریتم های یادگیری ماشین نسبت به روش های آماری منجر به تولید مدل های دقیق تری می شوند. بسته به ماهیت و میزان داده ها و همچنین جامعه ی پژوهش، الگوریتم های مختلف یادگیری ماشین، رفتارهای متفاوتی دارند که به نظر می رسد دقت مدل های شبکه ی عصبی از سایر مدل ها بیشتر می باشد.