پیش‌بینی طول مدت بستری بیماران مبتلا به نارسایی قلبی با داده‌کاوی

مقدمه: نارسایی احتقانی قلب یکی از چالش‌های اصلی نظام‌های سلامت در جهان است که با افزایش جمعیت سالمند، شیوع آن رو به افزایش است. پیش‌بینی دقیق طول مدت بستری  بیماران مبتلا می‌تواند نقش مهمی در مدیریت بهینه منابع بیمارستانی، کاهش هزینه‌های درمان و ارتقای کیفیت مراقبت‌های پزشکی ایفا کند. این مطالعه با هدف ارائه مدل پیش‌بینی مبتنی بر داده‌کاوی جهت تخمین مدت بستری بیماران مبتلا به نارسایی احتقانی قلب و شناسایی عوامل کلیدی موثر بر آن انجام شد.روش‌ها: این پژوهش تحلیلی-کاربردی به‌صورت مقطعی بر روی داده‌های 3421 بیمار بستری در دو بیمارستان سیدالشهدا و آیت‌الله طالقانی ارومیه طی سال‌های 1397 تا 1399 انجام شد. داده‌های بیمارستان سیدالشهدا برای آموزش (80٪) و آزمون مدل (20٪)استفاده شد. طول مدت بستری با الگوریتم k-means خوشه‌بندی و به دو خوشه کوتاه‌مدت و بلندمدت تفکیک شد. الگوریتم‌های یادگیری ماشین شامل جنگل تصادفی، درخت تصمیم(c5.0)، شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی (anfis) برای طبقه‌بندی مدت بستری استفاده شد. همچنین از روش‌های بیش‌نمونه‌گیری، کم نمونه‌گیری و   و smote برای متعادل‌سازی کلاس‌ها، اعتبارسنجی متقاطع 10 تایی  برای پایایی مدل‌ها و الگوریتم اپریوری برای کشف قوانین همبستگی بین متغیرها استفاده شد.یافته‌ها: جنگل تصادفی با صحت 87/14٪، حساسیت 97/56٪ و auc معادل 85/40٪ بهترین عملکرد را داشت. متغیرهایی مانند کراتینین بالا، هموگلوبین پایین، جنسیت مرد و بیماری‌های زمینه‌ای عوامل موثر بر مدت اقامت بودند.نتیجه‌گیری: مدل پیشنهادی می‌تواند ابزاری موثر برای طبقه‌بندی مدت بستری بیماران نارسایی احتقانی قلب و پشتیبان تصمیم‌گیری‌های مدیریتی و بالینی در بیمارستان‌ها باشد.

predicting the length of hospital stay in patients with congestive heart failure using data mining techniques

introduction: congestive heart failure (chf) is a significant global challenge for healthcare systems, with its prevalence increasing due to an aging population. accurate prediction of the length of stay (los) for chf patients is critical for optimizing hospital resource management, reducing treatment costs, and improving the quality of medical care. this study aimed to develop a data mining-based predictive model to estimate the los of chf patients and identify the most influential factors.methods: this cross-sectional study was conducted using the data of 3,421 chf patients hospitalized at seyed al-shohada and ayatollah taleghani hospitals in urmia, iran, between 2018 and 2020. data from seyed al-shohada hospital were used for model training (80%) and testing (20%). the los was categorized into short-term and long-term classes using k-means clustering. random forest, decision tree (c5.0), artificial neural network (ann), and adaptive neuro-fuzzy inference system (anfis) were applied to classify los. techniques such as oversampling, undersampling, and smote were applied to balance the classes, and 10-fold cross-validation was used to ensure model reliability. the apriori algorithm was also used to discover association rules.results: the random forest achieved the best performance with an accuracy of 87.14%, a sensitivity of 97.56%, and an auc of 85.40%. key predictors of los included elevated creatinine levels, low hemoglobin, male gender, and underlying comorbidities. the apriori algorithm also revealed significant clinical and meaningful associations among variables.conclusion: the proposed model can serve as an effective tool for predicting los in chf patients and support clinical and administrative decision-making in hospital settings.