پیش بینی علت سنگ کلیه در بیماران کلیوی با استفاده از تکنیک های جنگل تصادفی، ماشین بردار پشتیبان و شبکه عصبی

امروزه داده های پزشکی با سرعت فزاینده ای جمع آوری می شوند. این مجموعه داده ها حاوی اطلاعات قیمتی هستند که دست یابی به آن ها با استفاده از روش های آزمایشگاهی زمان بر و هزینه بر خواهد بود. بنابراین نیاز به روش هایی کم هزینه برای استخراج اطلاعات وجود دارد. این مطالعه بر توسعه یک مدل پیش بینی برای طبقه بندی علت سنگ کلیه در اصفهان با استفاده از تکنیک های داده کاوی متمرکز شده است.

این پژوهش از بهمن 1399 تا مرداد 1400 به صورت مقطعی انجام شده است. مجموعه داده ای مورد استفاده شامل اطلاعات 353 بیمار سنگ کلیه در شهر اصفهان است. در این مطالعه شش صفت هدف سدیم، فسفات، اگزالات، سیترات، سیستیین و اسید اوریک تعیین شده است. تکنیک های مورد استفاده برای هر یک از شش صفت به صورت جداگانه استفاده می شود. تکنیک های مورد استفاده در این مطالعه شامل جنگل تصادفی، شبکه عصبی و ماشین بردار پشتیبان خواهد بود.

 بهترین عملکرد از لحاظ میزان صحت مربوط به تکنیک های ماشین بردار پشتیبان در کلاس اسید اوریک، ماشین بردار پشتیبان در کلاس اگزالات و شبکه عصبی در کلاس سیستیین است. بدترین عملکرد هم مربوط به تکنیک جنگل تصادفی در کلاس سیترات است. مطمین ترین قوانین با میزان اطمینان 66% مربوط به دو کلاس سیترات و سدیم هست و کم اطمینان ترین قاعده با میزان اطمینان 50% مربوط به کلاس اگزالات است.

 سنگ کلیه می تواند به دلایل مختلفی از جمله پایین بودن سیترات و بالا بودن اگزالات کلسیم باشد. به عنوان مثال برای سیترات، عواملی مانند PH خون، قند خون و فشار خون موثر است. برای جلوگیری از هر یک از دلایل سنگ کلیه، باید عوامل آن کنترل شود.