طراحی و پیاده‌سازی سیستم تصمیم یار بالینی برای تشخیص و پیش‌بینی بیماری نارسایی مزمن کلیه

هدف: بیماری نارسایی مزمن کلیه (chronic kidney disease, ckd) یکی از مهم‌ترین نگرانی‌های 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 هزینه‌های زیادی دارند، اهمیت تشخیص زودرس و درمان به موقع بیماری را برجسته‌تر کرده است. هدف از مطالعه حاضر طراحی یک سیستم تصمیم یار بالینی برای تشخیص ckd و سپس پیش‌بینی مرحله پیشرفته بیماری برای مدیریت و درمان بهتر بیماران می‌باشد. مواد و روش‌ها: در این مطالعه گذشته‌نگر - توسعه‌ای، مدارک بالینی 600 بیمار مشکوک به ckd با 22 متغیر که طی سال‌های 1398 و 1399 به بیمارستان شهید لبافی‌نژاد تهران مراجعه کرده بودند، مورد بررسی قرار گرفت. بر اساس متغیرهای استخراجی، الگوریتم‌های داده کاوی مانند بیزین ساده، جنگل تصادفی، درخت تصمیم j48 و شبکه عصبی پرسپترون چندلایه ایجاد شدند. سپس عملکرد مدل‌های طراحی شده بر اساس معیارهای ارزیابی عملکرد الگوریتم‌های طبقه‌بندی‌کننده و روش k-fold cross validaton مورد مقایسه قرار گرفت. در نهایت مناسب‌ترین مدل پیش‌بینی‌کننده بر اساس مقایسه نتایج حاصل از ارزیابی عملکرد الگوریتم‌ها و با به کارگیری زبان برنامه‌نویسی c# پیاده‌سازی گردید. یافته‌ها: الگوریتم طبقه‌بندی جنگل تصادفی با میزان صحت 99.8% و 88.66%، اختصاصیت 100% و 93.8%، حساسیت 99.75% و 88.7%، ضریب اف 99.8% و 88.7%، میزان کاپا 99.4% و 82.73% و سطح زیر نمودار(roc) 100% و 90.52% به عنوان بهترین مدل داده کاوی به ترتیب برای تشخیص و پیش‌بینی ckd شناسایی شد. نتیجه‌گیری: در مجموع سیستم mc-dmk توسعه‌یافته بر اساس الگوریتم جنگل تصادفی می‌تواند در محیط‌های واقعی بالینی به صورت کاربردی مورد استفاده قرار گیرد.

Design and implementation of an intelligent clinical decision support system for diagnosis and prediction of chronic kidney disease

Introduction: Chronic kidney disease (CKD) is one of the most important public health concerns worldwide. The steady increase in the number of people with Endstage renal disease (ESRD) needing a kidney transplant to survive and incur high costs, highlights early diagnosis and treatment of the disease. This study aimed to design a Clinical Decision Support System (CDSS) for diagnosing CKD and predicting the advanced stage to achieve better management and treatment of the disease.Materials and Methods: In this retrospective and developmental study, we studied the records of 600 suspected CKD cases with 22 variables referred to ShahidLabbafinejad Hospital in Tehran from 2019 to 2020. Data mining algorithms such as Na iuml;ve Bayesian, Random Forest, Multilayer Perceptron neural network, and J48 decision tree were developed based on extracted variables. Then the recital of selected models was compared by some performance indices and 10fold crossvalidation. Finally, the most appropriate prediction model in terms of performance was implemented using the C # programming language.Results: Random Forest classification algorithm with an accuracy of 99.8% and 88.66%, specificity of 100% and 93.8%, the sensitivity of 99.75% and 88.7%, fmeasure of 99.8% and 88.7%, kappa score of 99.4% and 82.73%, and ROC of 100% and 90.52% was identified as the best data mining model for CKD diagnosis and prediction respectively.Conclusion: The developed MCDMK system based random Forestcan be used practically in clinical settings.