دوره 11، شماره 1 - ( 3-1403 )
جلد 11 شماره 1 صفحات 95-83 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Kanani S, Mahdavi I, Ziaie N, Rahimpour Cami B. Prediction of 30-day Mortality for Heart Failure Patients with Cardiogenic Shock Using Random Forest Hyperparameter Tuning. jhbmi 2024; 11 (1) :83-95
URL: http://jhbmi.ir/article-1-868-fa.html
URL: http://jhbmi.ir/article-1-868-fa.html
کنعانی شیوا، مهدوی ایرج، ضیایی نغمه، رحیم پورکامی باقر. پیش‌بینی مرگ‌ومیر ۳۰ روزه در بیماران نارسایی قلبی با شوک کاردیوژنیک با استفاده از تنظیم هایپرپارامترهای جنگل تصادفی. مجله انفورماتیک سلامت و زیست پزشکی. 1403; 11 (1) :83-95
دانشجوی دکتری مهندسی صنایع، دانشگاه علوم و فنون بابل، بابل، ایران
چکیده: (823 مشاهده)
مقدمه: نارسایی قلبی یک سندرم کلینیکی است که به دنبال ناهنجاری ساختاری یا عملکردی قلب ایجاد شده و باعث کاهش خون پمپاژ شده یا افزایش فشار داخل قلبی می‌شود. نارسایی قلبی با شوک کاردیوژنیک یک وضعیت اورژانسی با نرخ مرگ‌ومیر بالا است که نیازمند تشخیص و درمان فوری است. پیش‌بینی دقیق مرگ‌ومیر 30 روزه در این بیماران برای ارائه مراقبت‌های به‌موقع و نجات جان بیماران حیاتی است. این مطالعه به بهینه‌سازی الگوریتم جنگل تصادفی با تنظیم هایپرپارامترها برای پیش‌بینی دقیق‌تر مرگ‌ومیر 30 روزه بیماران نارسایی قلبی با شوک کاردیوژنیک می‌پردازد.
روش کار: این تحقیق از داده‌های 201 بیمار قلبی بالای 18 سال که در بیمارستان روحانی بابل در سال 1399 دچار شوک کاردیوژنیک شده‌اند، استفاده می‌کند. 34 ویژگی مانند سن، سابقه جراحی قلب باز، pH، لاکتات، دیابت و غیره مورد بررسی قرار گرفت و مرگ یک‌ماهه آن‌ها از طریق تماس تلفنی پیگیری شد.
یافته‌ها: نتایج نشان داد با افزایش سن (بیش از 57 سال)، کاهش pH (کمتر از 3/7) و افزایش لاکتات (بیش از 2)، خطر مرگ 30 روزه افزایش می‌یابد. با تنظیم بهینه هایپرپارامترهای الگوریتم جنگل تصادفی (1000 ntree= و mtry= 14)، دقت پیش‌بینی از 66/0% به 8/71% ارتقاء یافت.
نتیجه‌گیری: این مطالعه نشان می‌دهد که دقت الگوریتم جنگل تصادفی وابسته به هایپرپارامترها است و با بهینه‌کردن این پارامترها می‌توان پیش‌بینی دقیق‌تری از مرگ‌ومیر بیماران نارسایی قلبی با شوک کاردیوژنیک داشت. این الگوریتم با بهینه‌سازی مناسب، می‌تواند ابزاری کارآمد برای تشخیص زودهنگام بیماران در معرض خطر و ارائه خدمات درمانی به‌موقع باشد.
روش کار: این تحقیق از داده‌های 201 بیمار قلبی بالای 18 سال که در بیمارستان روحانی بابل در سال 1399 دچار شوک کاردیوژنیک شده‌اند، استفاده می‌کند. 34 ویژگی مانند سن، سابقه جراحی قلب باز، pH، لاکتات، دیابت و غیره مورد بررسی قرار گرفت و مرگ یک‌ماهه آن‌ها از طریق تماس تلفنی پیگیری شد.
یافته‌ها: نتایج نشان داد با افزایش سن (بیش از 57 سال)، کاهش pH (کمتر از 3/7) و افزایش لاکتات (بیش از 2)، خطر مرگ 30 روزه افزایش می‌یابد. با تنظیم بهینه هایپرپارامترهای الگوریتم جنگل تصادفی (1000 ntree= و mtry= 14)، دقت پیش‌بینی از 66/0% به 8/71% ارتقاء یافت.
نتیجه‌گیری: این مطالعه نشان می‌دهد که دقت الگوریتم جنگل تصادفی وابسته به هایپرپارامترها است و با بهینه‌کردن این پارامترها می‌توان پیش‌بینی دقیق‌تری از مرگ‌ومیر بیماران نارسایی قلبی با شوک کاردیوژنیک داشت. این الگوریتم با بهینه‌سازی مناسب، می‌تواند ابزاری کارآمد برای تشخیص زودهنگام بیماران در معرض خطر و ارائه خدمات درمانی به‌موقع باشد.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1403/3/14 | پذیرش: 1403/4/19
دریافت: 1403/3/14 | پذیرش: 1403/4/19
فایل صوتی [MP3 914 KB] (36 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
