طراحی و پیاده سازی سیستم تصمیم یار بالینی برای تشخیص و پیش بینی بیماری نارسایی مزمن کلیه

بیماری نارسایی مزمن کلیه (Chronic kidney disease, CKD) یکی از مهم ترین نگرانی های سلامت عموم در سراسر جهان است. افزایش مداوم تعداد بیماران مبتلاء به مرحله نهایی نارسایی کلیه (End stage renal disease, ESRD) که برای زنده ماندن نیاز به پیوند کلیه و صرف هزینه های زیادی دارند، اهمیت تشخیص زودرس و درمان به موقع بیماری را برجسته تر کرده است. هدف از مطالعه حاضر طراحی یک سیستم تصمیم یار بالینی برای تشخیص CKD و سپس پیش بینی مرحله پیشرفته بیماری برای مدیریت و درمان بهتر بیماران می باشد.

در این مطالعه گذشته نگر- توسعه ای، مدارک بالینی 600 بیمار مشکوک به CKD با 22 متغیر که طی سال های 1398 و 1399 به بیمارستان شهید لبافی نژاد تهران مراجعه کرده بودند، مورد بررسی قرار گرفت. بر اساس متغیرهای استخراجی، الگوریتم های داده کاوی مانند بیزین ساده، جنگل تصادفی، درخت تصمیم J-48 و شبکه عصبی پرسپترون چندلایه ایجاد شدند. سپس عملکرد مدل های طراحی شده بر اساس معیارهای ارزیابی عملکرد الگوریتم های طبقه بندی کننده و روش  K-Fold cross validaton مورد مقایسه قرار گرفت. در نهایت مناسب ترین مدل پیش بینی کننده بر اساس مقایسه نتایج حاصل از ارزیابی عملکرد الگوریتم ها و با به کارگیری زبان برنامه نویسی C# پیاده سازی گردید.

الگوریتم طبقه بندی جنگل تصادفی با میزان صحت 8/99% و 66/88%، اختصاصیت 100% و 8/93%، حساسیت 75/99% و 7/88%، ضریب اف 8/99% و 7/88%، میزان کاپا 4/99% و 73/82% و سطح زیر نمودار(ROC)  100% و 52/90% به عنوان بهترین مدل داده کاوی به ترتیب برای تشخیص و پیش بینی CKD شناسایی شد.

در مجموع سیستم MC-DMK توسعه یافته بر اساس الگوریتم جنگل تصادفی می تواند در محیط های واقعی بالینی به صورت کاربردی مورد استفاده قرار گیرد.