پیش‌بینی علت سنگ کلیه در بیماران کلیوی با استفاده از تکنیک‌هایجنگل تصادفی، ماشین بردار پشتیبان و شبکه عصبی

زمینه و هدف: امروزه داده‌های پزشکی با سرعت فزاینده‌ای جمع‌آوری می‌شوند. این مجموعه داده‌ها حاوی اطلاعات قیمتی هستند که دست‌یابی به آن‌ها با استفاده از روش‌های آزمایشگاهی زمان‌بر و هزینه‌بر خواهد بود. بنابراین نیاز به روش‌هایی کم‌ هزینه برای استخراج اطلاعات وجود دارد. این مطالعه بر توسعه یک مدل پیش‌بینی برای طبقه‌بندی علت سنگ کلیه در اصفهان با استفاده از تکنیک‌های داده‌کاوی متمرکز شده است.روش بررسی: این پژوهش از بهمن 1399 تا مرداد 1400 به‌صورت مقطعی انجام شده است. مجموعه داده‌ای مورد استفاده شامل اطلاعات 353 بیمار سنگ کلیه در شهر اصفهان است. در این مطالعه شش صفت هدف سدیم، فسفات، اگزالات، سیترات، سیستئین و اسید اوریک تعیین‌ شده است. تکنیک‌های مورد استفاده برای هر یک از شش صفت به‌صورت جداگانه استفاده می‌شود. تکنیک‌های مورد استفاده در این مطالعه شامل جنگل تصادفی، شبکه عصبی و ماشین بردار پشتیبان خواهد بود.یافته‌ها: بهترین عملکرد از لحاظ میزان صحت مربوط به تکنیک‌های ماشین بردار پشتیبان در کلاس اسید اوریک، ماشین بردار پشتیبان در کلاس اگزالات و شبکه عصبی در کلاس سیستئین است. بدترین عملکرد هم مربوط به تکنیک جنگل تصادفی در کلاس سیترات است. مطمئن‌ترین قوانین با میزان اطمینان 66% مربوط به دو کلاس سیترات و سدیم هست و کم اطمینان‌ترین قاعده با میزان اطمینان 50% مربوط به کلاس اگزالات است.نتیجه‌گیری: سنگ کلیه می‌تواند به‌دلایل مختلفی از جمله پایین بودن سیترات و بالا بودن اگزالات کلسیم باشد. به‌عنوان مثال برای سیترات، عواملی مانند ph خون، قند خون و فشار خون موثر است. برای جلوگیری از هر یک از دلایل سنگ کلیه، باید عوامل آن کنترل شود.

Predicting the cause of kidney stones in patients using random forest, support vector machine and neural network

Background: Today, with the advancement of technology in various fields, the importance of recording data in the field of health is increasing so much that for many diseases around the world, including kidney disease, registration systems have been set up. This is happening in our country and in the future, the number of these systems will increase. The medical data set contains valuable information that will be timeconsuming and costly to obtain using laboratory methods, so there is a need for lowcost methods for extracting information. This study focuses on developing a predictive model for classifying the cause of kidney stones in Isfahan using three data mining techniques.Methods: This crosssectional research has been done from February 2021 to May 2021. The used medical data set includes information of 353 kidney stone patients in Isfahan. In this study, six target attributes of sodium, phosphate, oxalate, citrate, cysteine and uric acid were identified. The techniques for each of the 6 attributes are used separately. The techniques used in this study were three data mining techniques including random forest (RF), artificial neural network (ANN) and support vector machine (SVM).Results: The best performance in terms of accuracy is related to support vector machine techniques in uric acid class, support vector machine in oxalate class and neural network in cysteine class. The worst performance is related to the random forest technique in the citrate class. The safest rules with a 66% confidence level are for the citrate and sodium classes, and the least reliable rule with a 50% confidence level is for the oxalate class.Conclusion: Kidney stones can occur due to various reasons such as low citrate and high calcium oxalate. For example, for citrate, factors such as blood pH (potential of hydrogen), blood sugar and blood pressure are effective. To prevent any of the causes of kidney stones, factors should be controlled.