پیش‌بینی پیامد‌های پیوند کلیه با استفاده از تکنیک‌های یادگیری ماشین

زمینه و هدف: نارسایی کلیه از مشکلات شایع و رو به افزایش در ایران و جهان به شمار می‌رود. پیوند کلیه به‌ عنوان روش‌درمانی ارجح برای بیماران مبتلا به esrd شناخته شده است. یادگیری ماشین به عنوان یکی از ارزشمند‌ترین شاخه‌های هوش مصنوعی در زمینه‌ی پیش‌بینی بقای بیماران یا پیش‌بینی بروز حالات مختلف در بیماران کاربرد بسزایی دارد. هدف از انجام این پژوهش پیش‌بینی پیامدهای پیوند کلیه در بیماران، با استفاده از یادگیری ماشین است.روش بررسی: از آن‌جایی که یکی از قوی‌ترین روش‌شناسی‌ها در زمینه‌ی اجرا و پیاده‌سازی پروژه‌های داده کاوی crisp است، این روش‌شناسی به عنوان روش کار انتخاب شد. به منظور شناسایی عوامل موثر در پیش‌بینی پیامد‌های پیوند کلیه، پس از مرور متون مرتبط، چک‌لیستی محقق ساخته جهت مشخص کردن میزان ضرورت هرکدام از عوامل موثر بر نتیجه‌ی پیوند برای تعدادی از نفرولوژیست‌های سراسر کشور ارسال شده و نتایج تحلیل و بررسی شد. سپس با استفاده از زبان پایتون و الگوریتم‌های مختلف یادگیری ماشین از جمله ماشین‌بردار پشتیبان، جنگل‌های تصادفی، k نزدیک‌ترین همسایه، گرادیان افزایشی و یادگیری عمیق، به مدل‌سازی بر روی داده‌ها پرداخته شد.یافته‌ها: مدل نهایی از نوع چند برچسبی و بر اساس الگویتم جنگل تصادفی بود که بتواند پیامد‌های مختلف پیوند کلیه که در این مطالعه شامل احتمال پس‌زدگی، واکنش‌های دیابتیک، واکنش‌های بدخیمی و بستری مجدد بیمار بود را به صورت یک جا پیش‌بینی کند. پس از انجام مراحل پیش پردازش بر روی داده ها و مدل‌سازی بر روی ویژگی‌های داده‌ی ورودی به وسیله الگوریتم‌های مختلف، مدل نهایی قادر بود با خطایی کمتر از 0/01 به پیش‌بینی چهار مورد پیامد پیوند کلیه یعنی پس‌زدگی، ابتلا به دیابت، واکنش‌های بدخیمی و بستری مجدد بیمار بپردازد.نتیجه‌گیری: میزان بالای درستی و دقت مدل جنگل تصادفی نشان از قدرت بالای این مدل برای پیش‌بینی پیامدهای پیوند کلیه دارد. در این مطالعه، موثرترین عوامل در ابتلای بیمار به پیامدهای ذکر شده شناسایی شد. برای نمونه‌های جدید با استفاده از این سیستم مبتنی بر یادگیری ماشین می‌توان به پیش‌بینی احتمال بروز این پیامدها برای بیماران پرداخت.

predicting kidney transplantation outcomes using machine learning techniques

background and aim: kidney failure is a common and increasing problem in iran and worldwide. kidney transplantation is recognized as a preferred treatment method for patients with end-stage renal disease (esrd). machine learning, as one of the most valuable branches of artificial intelligence in the field of predicting patient outcomes or predicting various conditions in patients, has significant applications. the purpose of this research was to predict kidney transplant outcomes in patients using machine learning.materials and methods: since crisp is one of the strongest methodologies for implementing data mining projects, it was chosen as the working method. in order to identify the factors affecting the prediction of kidney transplant outcomes, a researcher-created checklist was sent to some of nephrologists nationwide to determine the importance of each factor. the results were analyzed and examined. then, using python language and different algorithms such as random forest, svm, knn, deep learning, and xgboost the data was modeled.results: the final model was multilabel, capable of predicting various kidney transplant outcomes, including rejection probability, diabetic reactions, malignant reactions, and patient rehospitalization. after modeling the input data features, the model was able to predict the four kidney transplant outcomes such as rejection, diabetes, malignancy and readmission with an error rate of less than 0.01.conclusion: the high level of accuracy and precision of the random forest model demonstrates its strong predictive power for forecasting kidney transplant outcomes. in this study, the most influential factors contributing to patient susceptibility to the mentioned outcomes were identified. using this machine learning-based system, it is possible to predict the probability of these outcomes occurring for new cases.