ارزیابی سطح کنترل آسم با عبور از رویکرد مراقبتی واکنشی به یک رویکرد پیشگیرانه بر پایه خوشه بندی و دسته بندی

زمینه و هدف: آسم یک بیماری مزمنِ غیرقابل درمان، اما قابل کنترل است که پزشکان جهت دستیابی به سطح مطلوب کنترل بیماری، نظارت مداوم بر علایم و همچنین تنظیم یک برنامه درمانی مبتنی بر خودمراقبتی را پیشنهاد می نمایند. ارایه این برنامه، مطابق با سطح کنترلی که بیمار در آن قرار دارد، تنظیم میگردد. لذا ارزیابی و دسته بندی دقیق سطح کنترل آسم، می تواند در ارایه برنامه درمانی موثر به بیمار حایز اهمیت بوده و موجب بهبود خودمراقبتی و توسعه ی مداخلات پیشگیرانه جهت کاهش علایم آسم شود.روش بررسی: در این مقاله، داده های 96 بیمار آسمی شامل اطلاعات دموگرافیک، متغیرهای بالینی و سوابق پزشکی بیمار، دادههای زیست محیطی موثر بر آسم، معیارهای عملکرد ریه و گروه محرک مبتنی بر پرسش نامه های کنترل آسم، در یک دوره زمانی 9 ماهه از یک بیمارستان تخصصی بیماریهای ریوی تهران جمع آوری و در یک پایگاه داده چندمتغیره و چندکلاسه تجمیع شده و سپس سطح کنترل آسم با کمک یک مدل تلفیقی مبتنی بر خوشه بندی فازی و الگوریتمهای با نظارت در یادگیری ماشین دسته بندی شده است. یافته ها: مدل پیشنهادی برای ارزیابی سطح کنترل آسم که حاصلِ عملیات متوازن سازی، خوشه بندی فازی و انتخاب مشخصه بر روی داده هاست، دقتی به میزان 88% ارایه نموده است. نتیجه گیری: مدل حاضر، علاوه بر کمک به پزشکان برای شناسایی دقیق تر سطح کنترل آسم، می تواند در سیستم های الکترونیکی خودمراقبتی به منظور ارایه هشدارهای شخصی شده در مورد احتمال تضعیف کنترل آسم به کار رود. این چنین ابزارهایی می توانند مراقبت از آسم را از رویکرد مراقبتی واکنشی به یک رویکرد پیشگیرانه ارتقا دهند که در آن تصمیم ها و اقدام های درمانی از سوی پزشک ناشی از سطح کنترل آسم مزمن و پیشگیری از آسم حاد باشد.

Asthma Control Level Assessment by Moving from the Current Reactive Care Models into a Preventive Approach based on Fuzzy Clustering and Classification Algorithms

Background and Aim: Asthma is a common and chronic disease of respiratory tracts. The best way to treat Asthma is to control it. Experts of this field suggest the continues monitoring on Asthma symptoms and adjustment of selfcare plan with offering the preventive treatment program to have desired control over Asthma. Presenting these plans by the physician is set based on the control level in which the patient is. Therefore, successful recognition and classification of the disease control level can play an important role in presenting the treatment program to the patient and improves the selfcare and strengthens the early interventions to alleviate the Asthma symptoms. Materials and Methods: Based on this objective, we collected the data of 96 Asthma patients within a 9month period from a specialized hospital for pulmonary diseases in Tehran. Then we classified the Asthma control level by fuzzy clustering and different types of data mining method within a multivariate dataset with the multiclass response variable.Results: Our best model resulting from the balancing operations and feature selection on data have yielded the accuracy of 88%.Conclusion: Our proposed model can be applied in electronic Asthma selfcare systems to support the decision in real time and personalized warnings on the possible deterioration of Asthma control. Such tools can centralize the Asthma treatment from the current reactive care models into a preventive approach in which the physician rsquo;s decisions and therapeutic actions are resulting from the personal patterns of chronic Asthma control and prevention of acute Asthma.