جلد 28، شماره 2 - ( 6-1404 )
جلد 28 شماره 2 صفحات 69-53 |
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:
Esmaeili M, Lotfnezhad Afshar H, Rahimi B, Khademvatani K, Samadzad Qushchi S, Hoseinpour V. Predicting the length of hospital stay in patients with congestive heart failure using data mining techniques. jha 2025; 28 (2) :53-69
URL: http://jha.iums.ac.ir/article-1-4586-fa.html
URL: http://jha.iums.ac.ir/article-1-4586-fa.html
اسماعیلی مژگان، لطف نژاد افشار هادی، رحیمی بهلول، خادم وطنی کمال، صمدزاد قوشچی شیرین، حسین پور وحید. پیش‌بینی طول مدت بستری بیماران مبتلا به نارسایی قلبی با داده‌کاوی. فصلنامه مدیریت سلامت. 1404; 28 (2) :53-69
مژگان اسماعیلی1 
، هادی لطف نژاد افشار2 ، بهلول رحیمی3 ، کمال خادم وطنی4 ، شیرین صمدزاد قوشچی5 ، وحید حسین پور6
، هادی لطف نژاد افشار2 ، بهلول رحیمی3 ، کمال خادم وطنی4 ، شیرین صمدزاد قوشچی5 ، وحید حسین پور6
1- گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران.
2- گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران. & مرکز تحقیقات انفورماتیک سلامت و زیست پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران ،hadi.afshar@gmail.com
3- گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران. و مرکز تحقیقات انفورماتیک سلامت و زیست پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران.
4- گروه قلب و عروق، دانشکده پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران.
5- مرکز تحقیقات انفورماتیک سلامت و زیست پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران.
6- گروه طب اورژانس، دانشکده پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران.
2- گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران. & مرکز تحقیقات انفورماتیک سلامت و زیست پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران ،
3- گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران. و مرکز تحقیقات انفورماتیک سلامت و زیست پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران.
4- گروه قلب و عروق، دانشکده پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران.
5- مرکز تحقیقات انفورماتیک سلامت و زیست پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران.
6- گروه طب اورژانس، دانشکده پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران.
چکیده: (68 مشاهده)
مقدمه: نارسایی احتقانی قلب یکی از چالش‌های اصلی نظام‌های سلامت در جهان است که با افزایش جمعیت سالمند، شیوع آن رو به افزایش است. پیش‌بینی دقیق طول مدت بستری بیماران مبتلا می‌تواند نقش مهمی در مدیریت بهینه منابع بیمارستانی، کاهش هزینه‌های درمان و ارتقای کیفیت مراقبت‌های پزشکی ایفا کند. این مطالعه با هدف ارائه مدل پیش‌بینی مبتنی بر داده‌کاوی جهت تخمین مدت بستری بیماران مبتلا به نارسایی احتقانی قلب و شناسایی عوامل کلیدی مؤثر بر آن انجام شد.
روش‌ها: این پژوهش تحلیلی-کاربردی به‌صورت مقطعی بر روی داده‌های ۳۴۲۱ بیمار بستری در دو بیمارستان سیدالشهدا و آیت‌الله طالقانی ارومیه طی سال‌های ۱۳۹۷ تا ۱۳۹۹ انجام شد. داده‌های بیمارستان سیدالشهدا برای آموزش (۸۰٪) و آزمون مدل (۲۰٪)استفاده شد. طول مدت بستری با الگوریتم K-means خوشه‌بندی و به دو خوشه کوتاه‌مدت و بلندمدت تفکیک شد. الگوریتم‌های یادگیری ماشین شامل جنگل تصادفی، درخت تصمیم(C5.0)، شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) برای طبقه‌بندی مدت بستری استفاده شد. همچنین از روش‌های بیش‌نمونه‌گیری، کم نمونه‌گیری و و SMOTE برای متعادل‌سازی کلاس‌ها، اعتبارسنجی متقاطع 10 تایی برای پایایی مدل‌ها و الگوریتم اپریوری برای کشف قوانین همبستگی بین متغیرها استفاده شد.
یافته‌ها: جنگل تصادفی با صحت 87/14٪، حساسیت 97/56٪ و AUC معادل 85/40٪ بهترین عملکرد را داشت. متغیرهایی مانند کراتینین بالا، هموگلوبین پایین، جنسیت مرد و بیماری‌های زمینه‌ای عوامل مؤثر بر مدت اقامت بودند.
نتیجه‌گیری: مدل پیشنهادی می‌تواند ابزاری مؤثر برای طبقه‌بندی مدت بستری بیماران نارسایی احتقانی قلب و پشتیبان تصمیم‌گیری‌های مدیریتی و بالینی در بیمارستان‌ها باشد.
روش‌ها: این پژوهش تحلیلی-کاربردی به‌صورت مقطعی بر روی داده‌های ۳۴۲۱ بیمار بستری در دو بیمارستان سیدالشهدا و آیت‌الله طالقانی ارومیه طی سال‌های ۱۳۹۷ تا ۱۳۹۹ انجام شد. داده‌های بیمارستان سیدالشهدا برای آموزش (۸۰٪) و آزمون مدل (۲۰٪)استفاده شد. طول مدت بستری با الگوریتم K-means خوشه‌بندی و به دو خوشه کوتاه‌مدت و بلندمدت تفکیک شد. الگوریتم‌های یادگیری ماشین شامل جنگل تصادفی، درخت تصمیم(C5.0)، شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) برای طبقه‌بندی مدت بستری استفاده شد. همچنین از روش‌های بیش‌نمونه‌گیری، کم نمونه‌گیری و و SMOTE برای متعادل‌سازی کلاس‌ها، اعتبارسنجی متقاطع 10 تایی برای پایایی مدل‌ها و الگوریتم اپریوری برای کشف قوانین همبستگی بین متغیرها استفاده شد.
یافته‌ها: جنگل تصادفی با صحت 87/14٪، حساسیت 97/56٪ و AUC معادل 85/40٪ بهترین عملکرد را داشت. متغیرهایی مانند کراتینین بالا، هموگلوبین پایین، جنسیت مرد و بیماری‌های زمینه‌ای عوامل مؤثر بر مدت اقامت بودند.
نتیجه‌گیری: مدل پیشنهادی می‌تواند ابزاری مؤثر برای طبقه‌بندی مدت بستری بیماران نارسایی احتقانی قلب و پشتیبان تصمیم‌گیری‌های مدیریتی و بالینی در بیمارستان‌ها باشد.
نوع مقاله: پژوهشي |
موضوع مقاله:
فن آوری اطلاعات سلامت
دریافت: 1403/11/21 | پذیرش: 1404/6/12 | انتشار: 1404/7/6
دریافت: 1403/11/21 | پذیرش: 1404/6/12 | انتشار: 1404/7/6
فهرست منابع
1. Alemzadeh-Ansari MJ, Ansari-Ramandi MM, Naderi N. Chronic pain in chronic heart failure: a review article. The Journal of Tehran University Heart Center. 2017;12(2):49-56. Available from: /https://pmc.ncbi.nlm.nih.gov/articles/PMC5558055
2. Keyhani D, Razavi Z, Shafiee A, Bahadoram S. Autonomic function change following a supervised exercise program in patients with congestive heart failure. ARYA Atherosclerosis. 2013;9(2):150-156. PMCID: PMC3653242. Available from: https://pmc.ncbi.nlm.nih.gov/articles/PMC3653242
3. Writing Group Members, Rosamond W, Flegal K, et al. Heart disease and stroke statistics-2009 update: a report from the American heart association statistics committee and stroke statistics subcommittee. Circulation. 2009;119(3):e21-e181 [DOI:10.1161/CIRCULATIONAHA.108.191261]
4. Ahmadi A, Soori H, Mobasheri M, Etemad K, Khaledifar A. Heart failure: the outcomes, predictive and related factors in Iran. Journal of Mazandaran University of Medical Sciences. 2014;24(118):180-188. [In Persian]. Available from: http://jmums.mazums.ac.ir/article-1-4636-en.html
5. Liu LC, Voors AA, van Veldhuisen DJ, van der Meer P. Heart failure highlights in 2012-2013. European Journal of Heart Failure. 2014;16(2):122-32. [DOI:10.1002/ejhf.43]
6. Bowen RES, Graetz TJ, Emmert DA, Avidan MS. Statistics of heart failure and mechanical circulatory support in 2020. Annals of Translational Medicine. 2020;8(13):827. [DOI:10.21037/atm-20-1127]
7. Nomali M, Mohammadrezaei R, Keshtkar AA, Roshandel G, Ghiyasvandian S, Alipasandi K, et al. Self-monitoring by traffic light color coding versus usual care on outcomes of patients with heart failure reduced ejection fraction: protocol for a randomized controlled trial. JMIR Research Protocols. 2018;7(11):e9209. [DOI:10.2196/resprot.9209]
8. Ziaeian B, Fonarow GC. Epidemiology and aetiology of heart failure. Nature Reviews Cardiology. 2016;13(6):368-78. [DOI:10.1038/nrcardio.2016.25]
9. Mirdamadi A, Shafiee A, Ansari-Ramandi M, Garakyaraghi M, Pourmoghaddas A, Bahmani A, Mahmoudi H, Gharipour M. Beneficial effects of testosterone therapy on functional capacity, cardiovascular parameters, and quality of life in patients with congestive heart failure. BioMed Research International. 2014;2014:392432. [DOI:10.1155/2014/392432]
10. Mori J, Krantz MJ, Tanner J, Horwich TB, Yancy C, Albert NM, Hernandez AF, Dai D, Fonarow GC. Influence of hospital length of stay for heart failure on quality of care. The American Journal of Cardiology. 2008;102(12):1693-1697. [DOI:10.1016/j.amjcard.2008.08.015]
11. Azari A, Janeja VP, Mohseni A. Predicting hospital length of stay (PHLOS): a multi tiered data mining approach. In: 2012 IEEE 12th International Conference on Data Mining Workshops (ICDMW). 2012. p. 17-24. [DOI:10.1109/ICDMW.2012.69]
12. Mehdipour Y, Ebrahimi S, Karimi A, Alipour J, Khammarnia M, Siasar F. Presentation a model for prediction of cerebrovascular accident using data mining algorithm. Sadra Medical Journal. 2016;4(4):255-266. Available from: https://smsj.sums.ac.ir/article_43946_en.html
13. Ristevski B, Chen M. Big data analytics in medicine and healthcare. Journal of Integrative Bioinformatics. 2018;15(3):20170030. [DOI:10.1515/jib-2017-0030]
14. Pasupathi C, Kalavakonda V. Evidence based healthcare system using big data for disease diagnosis. In: 2016 2nd International Conference on Advances in Electrical, Electronics, Information, Communication and BioInformatics (AEEICB). 2016. p. 370-4. [DOI:10.1109/AEEICB.2016.7538393]
15. Sarafi Nejad A, Saeid A, Mohammed Rose I, Rowhanimanesh A. Modeling a data mining decision tree and propose a new model for the diagnosis of skin cancer by immunohistochemical staining methods. Journal of Health and Biomedical Informatics. 2014;1(1):54-62. Available from: http://jhbmi.ir/article-1-62-en.html
16. Tekieh MH, Raahemi B. Importance of data mining in healthcare: a survey. In: Proceedings of the 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining. 2015. p. 1057-62. [DOI:10.1145/2808797.2809367]
17. Turgeman L, May JH, Sciulli R. Insights from a machine learning model for predicting the hospital length of stay at the time of admission. Expert Systems with Applications. 2017;78:376-85. [DOI:10.1016/j.eswa.2017.02.023]
18. Hachesu PR, Ahmadi M, Alizadeh S, Sadoughi F. Use of data mining techniques to determine and predict length of stay of cardiac patients. Healthcare Informatics Research. 2013;19(2):121-9. [DOI:10.4258/hir.2013.19.2.121]
19. Thuraisingham B. A primer for understanding and applying data mining. IT Professional. 2002;2(1):28-31. [DOI:10.1109/6294.819936]
20. Zhao J, Feng X, Pang Q, Fowler M, Lian Y, Ouyang M, et al. Battery safety: machine learning-based prognostics. Progress in Energy and Combustion Science. 2024;102:101142. [DOI:10.1016/j.pecs.2023.101142]
21. Luo L, Lain S, Feng C, Huang D, Zhang W. Data mining-based detection of rapid growth in length of stay on COPD patients. In: 2017 IEEE 2nd International Conference on Big Data Analysis (ICBDA). 2017. p. 319-23. [DOI:10.1109/ICBDA.2017.8078819]
22. Daghistani TA, Elshawi R, Sakr S, Ahmad A, Al-Thwayee A, Al-Mallah. Predictors of in hospital length of stay among cardiac patients: a machine learning approach. International Journal of Cardiology. 2019; 288:140-7. [DOI:10.1016/j.ijcard.2019.01.046]
23. Neri L, Oberdier MT, van Abeelen KCJ, Menghini L, Tumarkin E, Tripathi H, et al. Electrocardiogram monitoring wearable devices and artificial-intelligence-enabled diagnostic capabilities: a review. Sensors. 2023;23(10):4805. [DOI:10.3390/s23104805]
24. Dai W, Brisimi TS, Adams WG, Mela T, Saligrama V, Paschalidis IC. Prediction of hospitalization due to heart diseases by supervised learning methods. International Journal of Medical Informatics. 2015;84(3):189-197. [DOI:10.1016/j.ijmedinf.2014.10.002]
25. Natale J. A strategy for reducing congestive heart failure readmissions through the use of interventions targeted by machine learning [Doctoral dissertation]. University of Akron; 2015. OhioLINK Electronic Theses and Dissertations Center. Available from: http://rave.ohiolink.edu/etdc/view?acc_num=akron1428233380
26. Messerli FH, Rimoldi SF, Bangalore S. The transition from hypertension to heart failure: contemporary update. JACC: Heart Failure. 2017;5(8):543-51. [DOI:10.1016/j.jchf.2017.04.012]
27. Berkhin P, Becher JD. Learning simple relations: theory and applications. In: Proceedings of the 2002 SIAM International Conference on Data Mining. 2002. p. 420-36. [DOI:10.1137/1.9781611972726.25]
28. Zebin T, Rezvy S, Chaussalet TJ. A deep learning approach for length of stay prediction in clinical settings from medical records. In: 2019 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB). 2019. p. 1-6. [DOI:10.1109/CIBCB.2019.8791477]
29. Flach P, Blockeel H, Ferri C, Orallo JH, Struyf J. Decision support for data mining: an introduction to ROC analysis and its applications. In: Data Mining and Decision Support: Integration and Collaboration. Springer; 2003. p. 81-90. [DOI:10.1007/978-1-4615-0286-9_7]
30. Galdi P, Tagliaferri R. Data mining: accuracy and error measures for classification and prediction. Encyclopedia of Bioinformatics and Computational Biology. 2018;1:431-6. [DOI:10.1016/B978-0-12-809633-8.20474-3]
31. Ben-David A. About the relationship between ROC curves and Cohen's kappa. Engineering Applications of Artificial Intelligence. 2008;21(6):874-81. [DOI:10.1016/j.engappai.2007.09.009]
32. Preda S, Oprea SV, Bâra A, Belciu (Velicanu) A. PV forecasting using support vector machine learning in a big data analytics context. Symmetry. 2018;10(12):748. [DOI:10.3390/sym10120748]
33. Huang J, Ling CX. Using AUC and accuracy in evaluating learning algorithms. IEEE Transactions on Knowledge and Data Engineering. 2005;17(3):299-310. [DOI:10.1109/TKDE.2005.50]
34. Levy D, Larson MG, Vasan RS, Kannel WB, Ho KK. The progression from hypertension to congestive heart failure. JAMA. 1996;275(20):1557-62. [DOI:10.1001/jama.1996.03530440037034]
35. Maharlou H, Niakan Kalhori S.R, Shahbazi S, Ravangard R. Predicting length of stay in intensive care units after cardiac surgery: comparison of artificial neural networks and adaptive neuro fuzzy system. Healthcare Informatics Research. 2018;24(2):109-17. [DOI:10.4258/hir.2018.24.2.109]
36. Gholipour C, Rahim F, Fakhree A, Ziapour B. Using an artificial neural networks (ANNs) model for prediction of intensive care unit (ICU) outcome and length of stay at hospital in traumatic patients. Journal of Clinical and Diagnostic Research. 2015;9(4):OC19-23. [DOI:10.7860/JCDR/2015/9467.5828]
37. Bleumink GS, Knetsch AM, Sturkenboom MC, Straus SM, Hofman A, Deckers JW, et al. Quantifying the heart failure epidemic: prevalence, incidence rate, lifetime risk and prognosis of heart failure: the Rotterdam Study. European Heart Journal. 2004;25(18):1614-9. [DOI:10.1016/j.ehj.2004.06.038]
38. Sud M, Yu B, Wijeysundera HC, Austin PC, Ko DT, Braga J, et al. Associations between short or long length of stay and 30 day readmission and mortality in hospitalized patients with heart failure. JACC: Heart Failure. 2017;5(8):578-88. [DOI:10.1016/j.jchf.2017.03.012]
39. Gottlieb SS, Abraham W, Butler J, Forman DE, Loh E, Massie BM, et al. The prognostic importance of different definitions of worsening renal function in congestive heart failure. Journal of Cardiac Failure. 2002;8(3):136-41. [DOI:10.1054/jcaf.2002.125289]
40. Heist EK, Ruskin JN. Atrial fibrillation and congestive heart failure: risk factors, mechanisms, and treatment. Progress in Cardiovascular Diseases. 2006;48(4):256-69. [DOI:10.1016/j.pcad.2005.09.001]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
