1 1 1 1 1 1 1 1 1 1 میانگین امتیاز 3.50 (5 رای)

امتیاز کاربران

توضیحات: دسته: کاربردهای داده کاوی; منتشر شده در 21 مهر 1392; نوشته شده توسط Taha Mokfi; بازدید: 10997

در ادامه این مطلب، یک مقاله مروری در خصوص کاربرد داده کاوی در دیابت وجود دارد. وقتی برخی از اعضای گروه داده کاوی ایران در حال آماده سازی این مقاله مختصر اما بسیار کاربردی جهت ارسال به یکی از مراکز درمانی تهران بودند، امید می رفت که بتوان از این مقاله مروری به عنوان پایه ای برای انجام دادن تحقیقات کاربردی داده کاوی در یکی از مراکز بهداشتی استفاده نمود اما با جلو رفتن کار و برگزاری جلسات متعدد با این مرکز، متاسفانه اعضای گروه متوجه شدند که در این حوزه فعلا جای کار در ایران وجود ندارد. به همین علت بر آن شدیم از این بعد برخی از کارهای این چنینی را برای محققان بالقوه به اشتراک بگذاریم تا آنها بتوانند در آینده از این نوع مطالب که برای جمع آوری آن زحمات زیادی کشیده شده است، به نحوه احسنت استفاده نمایند.

کاربرد داده‌کاوی در بیماری دیابت

در سالیان اخیر، مخصوصا در 10 سال اخیر کاربرد روش‌های داده‌کاوی در پزشکی و مراقبت‌های بهداشتی وسیعتر شده است و تحقیقات و پژوهش‌های زیادی در سراسر دنیا در زمینه بررسی کاربردهای داده‌کاوی در علم پزشکی انجام شده است. بدین ترتیب یکی از محبوب‌ترین حوزه‌های که داده‌کاوی در آن کاربردهای وسیعی پیدا کرده است، حوزه‌های پزشکی و مراقبت‌های بهداشتی می‌باشد.

برخی از کاربردهای رایج داده‌کاوی در پزشکی عبارتند از:
1)    تشخیص بیماری‌ها (پیش‌بینی احتمال وقوع بیماری در افراد)
2)    پیدا کردن قواعدی به منظور درمان بیماری‌ها (پیش‌بینی روش درمانی)
3)    پیش‌بینی دارو یا داروهای مناسب برای درمان هر بیمار خاص
4)    پیش بینی هزینه‌های درمانی
5)    پیش بینی شدت بیماری خاص در افرادی که علائم اولیه بیماری خاص را دارند
6)    پیش بینی مدت زنده ماندن در بیماران سرطانی و یا بیماران خاص
7)    گروه بندی بیماران از لحاظ شدت بیماری
8)    کشف دلایل موثر بر بیماری و یا عوامل تشدید کننده آن
9)    کشف تقلبات دارویی و پزشکی

در سال‌های اخیر روش‌های داده‌کاوی به دیابت و بیماران دیابتی کمک شایانی نموده‌اند. در ادامه تعدادی مقاله علمی بسیار معتبر در زمینه کاربردهای داده‌کاوی در دیابت مرور شده‌اند و خلاصه‌ای از آنها موجود می باشد.

1) تشخیص بیماری دیابت نوع دوم در افراد
یکی از بیشترین کاربردهای روش‌های داده‌کاوی در پزشکی، تشخیص بیماری‌ها می‌باشد. در این نوع از مطالعات، متغیرهای فیزیکی و خونی عده‌ای از بیماران دیابتی و افراد معمولی به الگوریتم‌های رده‌بندی داده‌کاوی داده می‌شود. این الگوریتم‌ها می‌توانند مدل‌هایی را برای رده‌بندی بیماران به دو رده "بیمار دیابتی" و "افراد سالم"، ایجاد نمایند. از این مدل‌های ایجاد شده می‌توان به منظور رده بندی مراجعان جدید و افراد مشکوک به بیماری دیابت استفاده نمود و بیماری یا سلامت افراد جدید را پیش‌بینی نمود.
در سال 2006 آقای سو و همکارانش [1] بر پایه چهار روش داده‌کاوی: شبکه‌های عصبی مصنوعی، درخت تصمیم، رگرسیون لجستیک و قواعد وابستگی و با استفاده از عکس‌های سه بعدی بدن توانستند با دقت بالا بیماری دیابت را در مراجعان تشخیص دهند. در این مطالعه، عکس‌های سه بعدی و دو بعدی از تمامی اعضای بدن افراد مختلف (بیماران دیابتی و افراد سالم) گرفته شد. سپس از این عکس‌ها متغیرهایی مانند: سطح شکم، محیط پاها، حجم دست ها و... استخراج شد. این متغیرها به چهار الگوریتم مورد نظر داده شدند و در نهایت با استفاده از این الگوریتم‌ها محققان توانستند بر پایه عکس‌های سه بعدی و دو بعدی بدن با دقت 89% پیش بینی کنند که آیا فرد مورد نظر به بیماری دیابت نوع دوم مبتلاست یا خیر.
یکی از مزیت‌های این روش تشخیص بیماری دیابت نوع دوم، در این است که افراد مشکوک به بیماری نیازی به انجام تست‌های خونی ندارند. همچنین این محققان توانستند قواعدی را استخراج کنند که با استفاده از آن بتوانند بیماری دیابت نوع دوم را در افراد تشخیص دهند. به طور مثال آنها قواعدی مانند "اگر حجم شکم = x و حجم پا= y و مساحت سینه = z باشد آنگاه با احتمال 90% بیمار دیابت نوع دوم دارد" را از داده استخراج نمودند.
همچنین در سال 2009 پورنامی و همکارانش [2] با استفاده از روش ماشین بردار پشتیبان توانستند با دقت 93% بیماری دیابت نوع دوم را در افراد تشخیص دهند. داده‌های آنها مربوط به 768 بیمار می‌شد و از هشت متغیر از جمله فشار خون افراد و میزان انسولین تزریقی برای پیش‌بینی خود استفاده نمودند. با استفاده از همین روش یعنی ماشین بردار پشتیبان، براکات و همکارانش نیز [3] یک سال بعد یعنی در سال 2010 توانستند دقت تشخیص بیماری را بهبود دهند و با دقت 94% بیماری دیابت نوع دو را در افراد تشخیص دهند. آنها داده‌های تحقیق خود را از داده‌های مربوط 4682 نفر مراجعه کننده استخراج کردند و متغیرهای آنها شامل: جنسیت، BMI، فشار خون، کلسترل و قند خون، بود.
در سال 2010 عده‌ای از محققان تایلندی [4] با استفاده از درخت تصمیم توانستند با دقت بیش از 90% سندرم متابولیک را در افراد تشخیص دهند آنها داده‌های مربوط به 5638 نفر را به این منظور وارد الگوریتم درخت تصمیم نمودند. در انتهای تحقیق نیز قواعدی را کشف کردند که به وسیله آن‌ها بتوان با دقت بیشتری تشخیص را در بیماران انجام داد.
محققان [5] همچنین توانستند مجموعه‌ای از قواعد را برای تشخیص بیماری دیابت نوع دوم استخراج نمایند که این قواعد می‌تواند در آینده جایگزین دستورالعمل‌های تشخیص پزشکی باشد و پزشکان را در تشخیص بیماری‌ دیابت یاری نماید. همچنین در سال‌های اخیر گروه‌های مطالعاتی از جمله مصطفی فتحی گنجی و همکارانش [6] در صدد هستند تا دقت تشخیص بیماری دیابت نوع دوم را با استفاده از الگوریتم‌ها و روش‌های داده‌کاوی بهبود بخشند.

2) تحلیل ارتباط متغیرهای فیزیکی و خونی با بیماری دیابت
در سال 2001 ریچاردز و همکارانش [7] اولین مشاهدات در بیمارستان و مرگ زودرس بیماران دیابتی را بررسی نمودند. آنها رکوردهای اطلاعاتی مربوط به 21000 بیمار را بررسی نمودند. با استفاده از روش قواعد انجمنی، قواعدی کشف شد که این قواعد به طور معمول توسط پزشکان قابل قبول نبود اما وقتی صحت این قواعد به اثبات رسید، پزشکان از این قواعد استقبال نمودند.
یکی از مقالاتی که بیش از 35 بار به آن استناد شده است مقاله بری- ‌اولت و همکارانش [8] است. آنها از روش درخت تصمیم استفاده کردند و به نتایج جذابی دست یافتند از جمله "مهمترین متغیر برای کنترل قند خون سن افراد می باشد".
محققان ایسلندی [9] با استفاده از روش‌های داده‌کاوی مخصوصا درخت تصمیم، به این نتیجه رسیدند که سطح HbA1c تنها متغیر مهمی است که کنترل قند خون را در واکنش به آموزش بیمار، بهبود می‌بخشد. همچنین هوانگ و همکارانش [10] در سال 2007، متغیرهای تاثیر گذار بر روی کنترل قند خون را با استفاده از روش‌های داده‌کاوی مورد بررسی قرار دادند. آنها از درخت تصمیم و بیز ساده به منظور تحلیل داده‌کاوی استفاده نمودند. آنها به این نتیجه رسیدند که متغیرهای: سن، مدت زمان تشخیص بیماری، نیاز به درمان انسولین، گلوکز خون و رژیم غذایی مهمترین فاکتورهای اثر گذار بر روی کنترل قند خون هستند.
در سال‌های اخیر بررسی روش‌های داده‌کاوی در داده‌های مربوط به بیماران دیابتی به طور پیشرفته‌تری در حال انجام است و در سال 2012 لی و همکارانش [11] بر روی 88 بیمار بررسی را انجام دادند که هدف آنها از این تحقیق، پیدا کردن فاکتورهای پیش بینی کننده بهبودی دیابت بعد از عمل جراحی چاقی ( عمل روی معده) بود. آنها یافتند که متغیرهایی از جمله: آلانین آمینوترانسفراز ، کلسترول و فشار خون مهمترین متغیرهایی هستند که بر روی بهبود بیماران دیابتی بعد از عمل جراحی چاقی تاثیر می‌گذارند.

3) پیش‌بینی روش درمان بیماران دیابتی
یکی دیگر از کاربردهای داده‌کاوی بر روی داده‌های مربوط به بیماران دیابتی، پیش بینی درمان مناسب برای هر بیمار خاص می‌باشد. معمولا متغیرهای زیادی بر روی عدم توانایی در کنترل بیماری دیابت تاثیر می‌گذارند و به دلیل اینکه هر بیمار دارای پارامترهای فیزیکی و خونی خاص خود می‌باشد به همین جهت لزوم استفاده از درمان‌های سفارشی شده، امری مهم و ضروری می‌باشد.
در سال 2009 آقای مسعود طوسی و همکارانش [12] در دانشگاه پاریس، تحقیقی را تحت عنوان "استفاده از روش‌های داده‌کاوی برای پیشنهاد درمانی به بیمارانی که در دستور العمل‌های پزشکی پیشنهاد درمانی برای آنها وجود ندارد" انجام دادند. آنها 463 بیمار را مورد مطالعه قرار دادند. در پایان این تحقیق، آنها پیشنهادات درمانی و روش‌های درمانی را برای بیمارانی که روش‌های درمانی خاصی برای آنها وجود نداشت استخراج نمودند.
در سال 2011 محققانی از کشور ترکیه [13] تحقیقی را بر روی نوع و مقدار داروهای مختلف برای درمان بیماران دیابت نوع دوم شروع کردند. آنها در این تحقیق شش نوع ترکیب دارویی مختلف را بر روی بیماران آزمایش کردند. سپس آنها توانستند بر پایه نتایج بدست آمده و بر پایه روش‌های داده‌کاوی از جمله شبکه عصبی فازی و قواعد وابستگی، مدلی را طراحی کنند. آنها با استفاده از این مدل توانستند با اطمینانی در حدود 80% داروی صحیح و مقدار صحیح دارو را برای بیماران تجویز نمایند.

منابع:

CHAO-TON Su et. Al., 2006. Data Mining for the Diagnosis of Type II Diabetes from Three Dimensional Body Surface Anthropometrical Scanning Data. Computers and Mathematics with Applications. 1075-1092.
Santi Wulan Purnami, 2009. A New Smooth Support Vector Machine and Its Applications in Diabetes Disease Diagnosis. Journal of Computer Science. 1003-1008.
Nahla H. Barakat, Andrew P. Bradley, and Mohamed Nabil H. Barakat, 2010. Intelligible Support Vector Machines for Diagnosis of Diabetes Mellitus. IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE, VOL. 14, NO. 4
Apilak Worachartcheewan et. Al., 2010. Identification of metabolic syndrome using decision tree analysis. diabetes research and clinicalpractice 9 0. 1 5– 1 8.
B. M. Patil, R. C. Joshi, Durga Toshniwal, 2010. Association rule for classification of type -2 diabetic patients. Second International Conference on Machine Learning and Computing.
Mostafa Fathi Ganji a, Mohammad Saniee Abadeh, 2011. A fuzzy classification system based on Ant Colony Optimization for diabetes disease diagnosis. Expert Systems with Applications, 38, 14650–14659.
G. Richards et. Al., 2001. Data mining for indicators of early mortality in database of clinical records. Artificial intelligence in medicine, 22, 215-231.
Joseph L. Breault, Colin R. Goodall, Peter J. Fos, 2002. Data mining a diabetic data warehouse. Artificial Intelligence in Medicine, 26,37–54
Arun K. Sigurdardottir, Helga Jonsdottir, Rafn Benediktsson, 2007. Outcomes of educational interventions in type 2 diabetes: WEKA data-mining analysis. Patient Education and Counseling, 67, 21–31
Yue Huang et. Al. , 2007. Feature selection and classification model construction on type 2 diabetic patients’ data. Artificial Intelligence in Medicine, 41, 251—262.
Wei-Jei Lee et. Al., 2012. Predictors of diabetes remission after bariatric surgery in Asia. Asian Journal of Surgery, 35, 67-73.
Massoud Toussi et. Al., 2009. Using data mining techniques to explore physicians' therapeutic decisions when clinical guidelines do not provide recommendations: methods and example for type 2 diabetes. BMC Medical Informatics and Decision Making. BioMed central.
Emirhan Gülçin Yildirim, Adem Karahocaa, Tamer Uçara, 2011. Dosage planning for diabetes patients using data mining methods. Procedia Computer Science, 3, 1374–1380.