جلد 21، شماره 74 - ( 10-1397 )                   جلد 21 شماره 74 صفحات 9-18 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Sobhkhizi A, Ashoori M. A Synthetic Data Mining Model for Evaluating Hypotension in Hemodialysis Patients. jha. 2019; 21 (74) :9-18
URL: http://jha.iums.ac.ir/article-1-2771-fa.html
صبح خیزی علیرضا، عاشوری مریم. ارائه الگوی ترکیبی داده‌کاوی برای سنجش افت فشار خون بیماران همودیالیزی. فصلنامه مدیریت سلامت. 1397; 21 (74) :9-18

URL: http://jha.iums.ac.ir/article-1-2771-fa.html


1- دانشکده کشاورزی، مجتمع آموزش عالی سراوان، سراوان،
2- دانشکده فنی و مهندسی، مجتمع آموزش عالی سراوان، سراوان ، maryam.ashoori@gmail.com
چکیده:   (1465 مشاهده)
مقدمه: افت فشار خون حین دیالیز در بیمارانی که به مدت طولانی تحت دیالیز قرار می­گیرند، اغلب با افزایش مرگ و میر همراه است. پژوهش حاضر با هدف سنجش میزان افت فشارخون بیماران همودیالیزی به ارائه مدلی پیش بینانه از طریق داده­کاوی توصیفی پرداخته است. زیرا، افت فشار خون شایع­ترین عارضه جدی حین همودیالیز است.
روش ­ها: پژوهش حاضر به روش توصیفی- مقطعی صورت گرفته است. جامعه­ی پژوهش متشکل از داده­ های بیمارستان علی ابن ابی طالب (ع) زاهدان در خردادماه ۹۵ است. جهت تحلیل داده ­ها از نرم افزار Clementine۱۲.۰ استفاده شده است.  برای مدل­سازی از الگوریتم­های K-Means،  C۵.۰ و CART استفاده گردید.
یافته ‏ها: پارامترهای تاثیرگذار در میزان افت فشار خون شامل نوع صافی و دور پمپ بود. بررسی خوشه­بندی و قوانین استخراج شده از مدل، اهمیت تاثیر نوع صافی و دور پمپ را تصدیق نمود.
نتیجه­ گیری: استفاده از رو­ش ­های نوین مدل­سازی برای تحلیل وکشف ارتباطات بین داده ­های دیالیز، باعث ایجاد تغییر در نحوه­ی نگرش پرسنل بخش دیالیز نسبت به روند انجام دیالیز و مراقبت ­های لازم حین آن می ­شود. سنجش میزان افت فشار خون بیماران دیالیزی به شناسایی سریع­تر و دقیق­تر افت فشار و مدیریت صحیح و پیشگیرانه کمک می­نماید و منجر به ارتقای عملکرد بخش دیالیز می­ گردد. مطالعه حاضر نشان داد نوع صافی به جهت تاثیر آن روی افت فشار خون بیمار اهمیت دارد.
متن کامل [PDF 1107 kb]   (756 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: عمومى
دریافت: ۱۳۹۷/۵/۱ | پذیرش: ۱۳۹۷/۱۱/۳ | انتشار: ۱۳۹۷/۱۱/۳

فهرست منابع
1. Oshvandi K, Kavyannejad R, Borzuo S, Gholyaf M. Salavati M. Dialysis adequacy with high flux membrane in hemodialysis patients at Shahid Beheshti hospital, Hamedan. J Urmia Nurs Midwifery Fac. 2012; 10(4): 540-548. [In Persian]
2. Moslem A, Naghavi M, Basiri Moghadam M, Gharche M, Basiri Moghadam K. Assessing the adequacy of dialysis and its relationship with kind of filter in patient under hemodialysis referred to 22-Bahman hospital of Gonabad. Horizon Med Sci. 2008; 14(2): 20-23. [In Persian]
3. Tayyebi A, Shasti S, Ebadi A, Eynollahi B, Tadrisi S.D. The relationship between blood pressure and dialysis adequacy in dialysis patients. Crit Care Nurs J. 2012; 5(1): 49-52. [In Persian]
4. Makhlough A, Kashi Z. Assessment of the relationship between hypocalcaemia with hypotension. J Mazandaran Univ Med Sci. 2008; 18(64): 91-95. [In Persian]
5. Moattari M, Azarhooshang P, Abbasian A, ReisJalali G and Rajaeefard A. The effect of cool dialysate on intradialytic hypotension among end stage renal disease patients. Research in Medicine. 2007; 31(1): 67-72. [In Persian]
6. Goldsmith D, Covic A, Venning M and Ackrill P. Ambulatory blood pressure monitoring in renal dialysis and transplant patients.Am J Kidney Dis. 1997; 29(4): 593-600. [DOI:10.1016/S0272-6386(97)90343-7]
7. Wang Y.-F., Hu T.-M., Wu C.-C., Yu F.-C., Fu C.-M., Lin S.-H.,et al. Prediction of target range of intact parathyroid hormone in hemodialysis patients with artificial neural network. Comput Methods Programs Biomed 2006; 83: 111-119. [DOI:10.1016/j.cmpb.2006.06.001]
8. Jooriyan N, Ashoori M. Predicting the effectiveness of preeclampsia medications based on dose and method of drug consumption using data mining. Iranian Journal of Obstetrics, Gynecology and Infertility. 2014; 17(123): 13-22. [In Persian]
9. Ashoori M, NajiMoghadam V, Alizadeh S, Safi M. Classification and clustering algorithm application for prediction of tablet numbers: case study diabetes disease. Health Inforamtion Management. 2013; 10(5): 739-749. [In Persian]
10. Ashoori M, Alizade S, Hosseiny Eivary HS, Rastad S, Hosseiny Eivary SS. A model to predict the sequential behavior of healthy blood donors using data mining. J Research Health. 2015; 5(2): 141-148.
11. Sepehri MM, Rahnama P, Shadpour P, Teimourpour B. A data mining based model for selecting type of treatment. Tehran Univ Med J. 2009; 67(6): 421-427. [In Persian]
12. Fernandez E A, Valtuille R, Willshaw P, Perazzo C. A. Dialysate-side urea kinetics. Neural network predicts dialysis dose during dialysis. Med Biol Eng Comput. 2003; 41(4): 392-396. [DOI:10.1007/BF02348080]
13. Kusiak A, Dixon B, Shah S. Predicting survival time for kidney dialysis patients: a data mining approach. Comput Biol Med. 2005; 35(4): 311-327. [DOI:10.1016/j.compbiomed.2004.02.004]
14. Yeh JY, Wu TH, Tsao CW. Using data mining techniques to predict hospitalization of hemodialysis patients. Decis Support Syst. 2011; 50(2): 439-448. [DOI:10.1016/j.dss.2010.11.001]
15. Tavousi A, Sepehri MM, Malakoutian T, Khatibi T. Data mining approach in prediction of erythropoietin dosage in hemodialysis patients. J Mazandaran Univ Med Sci. 2015; 25(129): 26-35. [In Persian]
16. Ashoori M. A model to predict hemodialysis buffer type using data mining techniques. Journal of Health Administration. 2017; 20(67): 99-110. [In Persian]
17. Bellazzi R, Larizza C, Magni P, Bellazzi R. Temporal data mining for the quality assessment of hemodialysis services. Artif Intell Med. 2005; 34(1): 25-39. [DOI:10.1016/j.artmed.2004.07.010]
18. Hekmat R, Mojahedi M and Garevani H. The effect of hemodialysis solution buffer on the control of blood pressure and efficacy of hemodialysis in chronic hemodialysis patients. Tehran Univ Med J. 2007; 65: 33-37.[In Persian]
19. López MI, Luna JM, Romero C, Ventura S. Classification via clustering for predicting final marks based on student participation in forum. In 5th International Conference on Educational Data Mining. 2012; 48–51.
20. Ashoori M, Mohammadi S, Hossieny Eivary H. Exploring blood donors' status through clustering: a method to improve the quality of services in blood transfusion centers. Journal of Knowledge & Health. 2016; 11(4): 73-82. [In Persian]
21. Rajabi J, Alizade S, Ashoori M. Identifying behavioral patterns in blood donation using K-means algorithm based on recency, frequency and blood value. Journal of Health Administration. 2018; 21(71): 66-78. [In Persian]
22. Ahmed HM, Aquina CT, Gracias VH. Damage control surgery, in robert wood johnson university hospital, New Brunswick, Springer 2012; 712-713.
23. Munger MA, Ateshkadi A, Cheung A K, Flaharty KK, Stoddard GJ, Marshall EH. Cardiopulmonary events during hemodialysis: effects of dialysis membranes and dialysate buffers. Am J Kidney Dis. 2000; 36(1): 130-139. [DOI:10.1053/ajkd.2000.8285]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مدیریت سلامت می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Journal of Health Administration

Designed & Developed by : Yektaweb