International Journal of Reproductive BioMedicine

en پیش بینی پره اکلامپسی و ریسک فاکتورهای مرتبط با استفاده از روش های داده کاوی: یک مطالعه مقطعی Predicting preeclampsia and related risk factors using data mining approaches: A cross-sectional study Pregnancy Health Original Article Original Article <div style="text-align: justify;">مقدمه: پرهاکلامپسی نوعی از اختلالات فشار خون بارداری است که دارای عوارض نامطلوبی برای مادر و جنین میباشد. علی‌رغم پیشرفت‌های اخیر در اتیولوژی پرهاکلامپسی، تاکنون هیچ تست غربالگری بالینی مناسبی جهت تشخیص این اختلال شناخته ‌نشده است. هدف: هدف ما ارائه مدلی بر مبنای رویکردهای داده‌کاوی بود تا بتوان از آن به‌عنوان یک ابزار کمک غربالگری به‌منظور شناسایی بیماران دارای این سندروم استفاده نمود و همچنین به شناسایی ریسک فاکتورهای مرتبط با آن نیز پرداختیم. مواد و روش ها: داده‌های مورد استفاده برای انجام این مطالعه مقطعی از پرونده‌های بالینی726 مادر مبتلا به پرهاکلامپسی و 726 مادر فاقد پرهاکلامپسی که طی سال‌های 1394-۱۳84 به بیمارستان فاطمیه شهر همدان مراجعه کرده‌اند استخراج شد. در این مطالعه 6 روش داده کاوی مرسوم شامل رگرسیون لجستیک،k - نزدیکترین همسایگی، درخت تصمیم C50، تحلیل ممیزی، جنگل تصادفی و ماشین بردار پشتیبان بر روی دادهها برازش یافته و عملکرد آنها با بهره‌گیری از معیارهای دقت، حساسیت و ویژگی مورد مقایسه قرار گرفت. نتایج: متغیرهای بیماری زمینهای، سن، فصل بارداری و تعداد حاملگیها مهمترین ریسک فاکتورها در تشخیص بیماری پرهاکلامپسی بودند. دقت بدست آمده برای مدلها به ترتیب عبارتند از: رگرسیون لجستیک (713/0)، KNN (742/0)، درخت تصمیم (788/0) C5.0، تحلیل ممیزی (687/0)، جنگل تصادفی (758/0)، ماشین بردار پشتیبان (791/0). نتیجه گیری: در میان روشهای داده کاوی برازش داده شده در این مطالعه SVM عملکرد مناسبی در پیش‌بینی پرهاکلامپسی از خود به نمایش گذاشته است؛ بنابراین این مدل می‌تواند به‌عنوان یک ابزار کمک غربالگری جهت تشخیص این اختلال مورد توجه واقع شود.</div> <div style="text-align: justify;">Background: Preeclampsia is a type of pregnancy hypertension disorder that has adverse effects on both the mother and the fetus. Despite recent advances in the etiology of preeclampsia, no adequate clinical screening tests have been identified to diagnose the disorder. Objective: We aimed to provide a model based on data mining approaches that can be used as a screening tool to identify patients with this syndrome and also to identify the risk factors associated with it. Materials and Methods: The data used to perform this cross-sectional study were extracted from the clinical records of 726 mothers with preeclampsia and 726 mothers without preeclampsia who were referred to Fatemieh Hospital in Hamadan City during April 2005-March 2015. In this study, six data mining methods were adopted, including logistic regression, k-nearest neighborhood, C5.0 decision tree, discriminant analysis, random forest, and support vector machine, and their performance was compared using the criteria of accuracy, sensitivity, and specificity. Results: Underlying condition, age, pregnancy season and the number of pregnancies were the most important risk factors for diagnosing preeclampsia. The accuracy of the models were as follows: logistic regression (0.713), <a name="_Hlk63853900">k-nearest neighborhood</a> (0.742), <a name="_Hlk63853980">C5.0 decision tree (0.788), discriminant analysis (0.687), random forest (0.758) and support vector machine (0.791).</a> Conclusion: Among the data mining methods employed in this study, support vector machine was the most accurate in predicting preeclampsia. Therefore, this model can be considered as a screening tool to diagnose this disorder.<gdiv></gdiv></div> پره اکلامپسی, جنگل تصادفی, رگرسیون لجستیک, درخت تصمیم C5.0, ماشین بردار پشتیبان, رگرسیون لجستیک. Preeclampsia, Random forest, C5.0 decision tree, Support vector machine, Logistic regression. 959 968 http://ijrm.ir/browse.php?a_code=A-10-1600-1&slc_lang=en&sid=1 Zohreh Manoochehri manoochehri.zohreh1400@gmail.com 0000-0002-4149-2158 No Department of Biostatistics, Student Research Committee, Hamadan University of Medical Sciences, Hamadan, Iran. Sara Manoochehri Saramanochehri0098@gmail.com 0000-0003-2182-7771 No Department of Biostatistics, Student Research Committee, Hamadan University of Medical Sciences, Hamadan, Iran. Farzaneh Soltani FarzanehSoltani2008@yahoo.com 0000-0002-5407-6858 No Department of Midwifery, School of Nursing and Midwifery, Hamadan University of Medical Sciences, Hamadan, Iran. Leili Tapak l.tapak06@gmail.com 0000-0002-4378-3143 No Modeling of Noncommunicable Disease Research Center, Department of Biostatistics, School of Public Health, Hamadan University of Medical Sciences, Hamadan, Iran. Majid Sadeghifar sadeghifar@basu.ac.ir 0000-0001-6147-6051 Yes Department of Statistics, Faculty of Basic Sciences, Bu-Ali Sina University, Hamadan, Iran.