fa کاربرد داده کاوی در پیش بینی بقای پیوند کلیه و شناسایی متغیرهای تأثیرگذار در بقای کلیه پیوندی تخصصي Special پژوهشي اصیل Original Article <p dir="RTL" style="text-align: justify;"><strong>مقدمه:</strong> نارسایی مزمن کلیه از بیماری‌های شایع در ایران و جهان است و پیوند کلیه روش درمانی مناسب و مؤثرترین راهبرد در بین بیماران مبتلا به نارسایی مزمن کلیه است. این مطالعه جهت پیش‌بینی بقای کلیه پیوندی و شناسایی عوامل مؤثر بر آن و ارائه یک مدل به منظور صحت پیش‌بینی بالاتر انجام شد.</p> <p dir="RTL" style="text-align: justify;"><strong>روش:</strong> مطالعه حاضر به روش گذشته‌نگر بر روی داده‌های 423 مورد پرونده بیماران پیوند کلیه در سال‌های 90-1385 در مرکز آموزشی-درمانی افضلی‌پور شهر کرمان انجام گرفت. از طبقه‌بند‌های شبکه عصبی، درخت تصمیم و ماشین بردار پشتیبان جهت پیش بینی بقای پیوند کلیه و از همجوشی اطلاعات برای ترکیب نتایج طبقه‌بندهای ذکر شده، به منظور طراحی مدلی با صحت بالاتر استفاده شد. همچنین، برای شناسایی متغیرهای تأثیرگذار در بقای کلیه پیوندی از الگوریتم ژنتیک و جهت تحلیل داده‌ها و اجرای الگوریتم‌ها از نرم افزارهای <span dir="LTR">Clementine 12</span> و <span dir="LTR">Weka</span> استفاده شد<span dir="LTR">.</span></p> <p dir="RTL" style="text-align: justify;"><strong>نتایج</strong><strong>:</strong> صحت حاصل از سه روش شبکه عصبی، درخت تصمیم و ماشین بردار پشتیبان به ترتیب برابر با 94 ، 92و 92 درصد و صحت به دست آمده از روش همجوشی اطلاعات برابر 95/74درصد بوده است. همچنین، ویژگی‌های شاخص توده بدنی و جنسیت گیرنده، سن دهنده، همسانی گروه خونی دهنده و گیرنده و سابقه پیوند کلیه توسط الگوریتم ژنتیک به عنوان متغیر‌های تأثیرگذار در بقای پیوند کلیه شناسایی شد که صحت پیش‌بینی مدل پیشنهادی با این تعداد ویژگی 91/67درصد بوده است.</p> <p dir="RTL" style="text-align: justify;"><strong>نتیجه‌گیری:</strong> با استفاده از همجوشی اطلاعات، می‌توان صحت نتایج طبقه‌بندها را افزایش داد. همچنین، الگوریتم ژنتیک روش مناسبی جهت شناسایی ویژگی‌های بهینه است.</p> <p style="text-align: justify;"><strong>Introduction:</strong> Chronic kidney failure is a common disease in the world and kidney transplantation is the most effective treatment in patients with chronic kidney failure. The aim of this study was to predict the survival of transplanted kidney and identify its effective factors, and also to provide a model for higher prediction accuracy.</p> <p style="text-align: justify;"><strong>Method:</strong> In this retrospective study, data from 423 cases of kidney transplant patients during 2006-2011 in Afzalipour Teaching Hospital in Kerman were obtained. The neural networks, decision tree and support vector machine were used to predict kidney transplantation survival and information fusion was used to combine the results of these classifiers and design a model with higher prediction accuracy. In addition, for identifying factors affecting the survival of transplanted kidney, genetic algorithm was used and for data analysis and implementation of algorithms, Clementine 12 and Weka 2.3 were used.</p> <p style="text-align: justify;"><strong>Results:</strong> The accuracy of neural networks, decision tree, and support vector machine were 94%, 92%, and 92%, respectively, and the accuracy of information fusion was 95.74%. Also, recipient BMI and gender, donor age, compatibility of donor and recipient blood group, and history of kidney transplantation as the effective factors on renal transplantation survival were identified by genetic algorithm. The prediction accuracy of this model was 91.67%.</p> <p style="text-align: justify;"><strong>Conclusion:</strong> The results show that information fusion can increase the prediction accuracy. Also, the genetic algorithm as an effective method can be used for identifying the optimal features.</p> همجوشی اطلاعات, شبکه عصبی, درخت تصمیم, ماشین بردار پشتیبان, الگوریتم ژنتیک Information fusion, Neural Network, Decision Tree, Support Vector Machine, Genetic Algorithm 1 9 http://jhbmi.ir/browse.php?a_code=A-10-175-1&slc_lang=fa&sid=1 Mohtaram Mirzaei محترم میرزایی mp.mirzaei@gmail.com 10031947532846002420 10031947532846002420 No کارشناس ارشد انفورماتیک پزشکی، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران. Mohammad FiroozAbadi محمد فیروزآبادی mp.mirzaei@gmail.com 10031947532846002421 10031947532846002421 Yes Professor, Medical Informatics Dept., Faculty of Medicine, Tarbiat Modares University, Tehran, Iran دکترای مهندسی پزشکی، استاد، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران.