شناسایی، بررسی و رتبه بندی عوامل خطر وزن کم نوزادان در زمان تولد با استفاده از تکنیک های داده کاوی: مطالعه موردی بیمارستان امام علی (ع) دانشگاه علوم پزشکی زاهدان

سابقه و هدف: نرخ بالای مرگ و میر مادران، نوزادان، و تولد زودرس یک مسئله مهم بهداشت عمومی در سراسر جهان است. هدف مطالعه شناسایی، بررسی و رتبه بندی عوامل کم وزنی نوزادان با تکنیک های داده کاوی برای شناسایی میزان تاثیر متغیرهای پیش بینی کننده و توسعه یک سیستم پشتیبانی تصمیم گیری برای کمک به پزشکان در تصمیم گیری بهترهنگام تولد نوزادان کم وزن است.مواد و روش ها: اطلاعات بخش اطفال بیمارستان امام علی دانشگاه علوم پزشکی زاهدان از جمله مصرف دخانیات، سن مادران و ... در سال 1392 مورد بررسی قرار گرفت. در بخش مدل سازی از الگوریتم های مختلف داده کاوی استفاده گردید. برای تحلیل داده ها از نرم افزار کلمنتاین استفاده شده است.یافته ها: متغیرهایی که برای پیش بینی کم وزنی نوزادان در زمان تولد بسیار موثرند وزن مادر (100 درصد)، سن مادر (98 درصد)، تعداد مراجعه به پزشک در سه ماهه اول بارداری (86/45 درصد) و سابقه زایمان زودرس (11/43 درصد) و سایر متغیرها به طور ضعیفی پیش بینی را تحت تاثیر قرار دادند.استنتاج: نتایج مطالعه بیانگر ارتباط وزن کم نوزادان در زمان تولد با وزن مادر، سن مادر، تعداد مراجعه به پزشک در سه ماهه اول بارداری، سابقه زایمان زودرس قبلی، فشارخون بالا، نژاد، تحریک پذیری رحم و مصرف دخانیات بود. صحت پیش بینی که با رگرسیون لجستیک مقایسه شده، در تکنیک های داده کاوی بهبود می یابد. درخت طبقه بندی به خوبی وزن کم نوزادان در زمان تولد را مشخص می کند و تکنیک جنگل تصادفی در تشخیص بیماری نقش مهمی دارد.

Investigating the Risk Factors for Low Birth Weight Using Data Mining: A Case Study of Imam Ali Hospital, Zahedan, Iran

Background and purpose: High rate of mothers and infants rsquo; death and preterm birth are amongst major public health problems worldwide. The aim of this study was to identify, evaluate and rank the factors responsible for low birth weight using data mining techniques and also investigating the impact of predictor variables and developing a decision support system which could help physicians to make better treatment decisions at the birth of low weight infants.Materials and methods: Relevant information was collected from Imam Ali Hospital affiliated with Zahedan University of Medical Sciences in 2013 including smoking, the age of mothers, etc. Different data mining algorithms were applied for modeling. Data analysis was performed in Clementine software.Results: The variables that were very influential in predicting the low weight of infants at birth were mother rsquo;s weight (100%), mother rsquo;s age (98%), the number of doctor visits in the first trimester of pregnancy (45.86%), and previous preterm delivery (43.11%). Other variables poorly influenced the prediction.Conclusion: The findings revealed some relationships between the low weight of infants at birth and mother rsquo;s weight, mother rsquo;s age, number of doctor visits in the first trimester of pregnancy, previous preterm delivery, high blood pressure, race, uterine irritability, and smoking. The accuracy of prediction improved via data mining techniques compared to logistic regression. Classification tree could determine the low weight of infants at birth well and random forest technique had an important role in making the diagnosis.