پیش بینی عملکرد کلیه پیوندی به کمک سامانه تصمیم یار بالینی هوشمند

مقدمه:معیار اصلی پزشکان در فرایند مراقبت مادام العمر پس از پیوند کلیه، بررسی معاینات بالینی بیمار، نتایج آزمایشات و شاخص میزان فیلتراسیون کلیوی (eGFR )می باشد. سیستم های پشتیبان تصمیم با استفاده از این اطلاعات میتوانند پزشکان را در پیش بینی های بالینی حمایت نمایند. در مطالعات قبلی، روش های مختلفی در پیش بینی میزان بقاء کلیه پیوندی، بقای بیمار، انتخاب بهترین گیرنده و ... مورد استفاده قرار گرفته است ولی استفاده روتین روزانه ندارند. از اینر و هدف ما، ایجاد ابزاری است که بتواند به صورت روزانه، در هنگام مراجعه بیماران جهت مراقبت های پس از پیوند، اطلاعات و دانش مناسبی را تولید نموده و در اختیار پزشکان قرار دهد تا تصمیمات بهتری اتخاذ نمایند. ما در این تحقیق با استفاده از اطلاعات در دسترسمانند نتایج فعلی و قبلی آزمایشات و معاینات بالینی، مقدار eGFR را در بازه زمانی آتی (چند ماه بعد) پیش بینی می نمایم تا پزشک علاوه بر وضعیت کنونی بیمار از روند عملکرد آتی کلیه پیوندی نیز آگاهی یافته و روش درمانی مناسب تری را جهت دامه مراقبت انتخاب نماید. برای پیش بینی مقدار آتی eGFR ،مدل های مختلفی مبتنی بر شبکه های عصبی پرسپترون چندلایه، رگرسیون خطی، درخت تصمیم، ماشین بردار پشتیبان و شبکه های عصبی مبتنی بر ویولت استفاده گردیده و بهترین روش انتخاب شده است. روش بررسی: بخشی از اطلاعات و سوابق بالینی 15 سال گذشته 940 نفر از بیماران پیوندی مرکز پیوند کلیه بیمارستان امام خمینی ارومیه انتخاب گردید. رکوردهای اطلاعاتی مدنظر به عنوان دیتای اصلی سیستم پشتیبان تصمیم شامل نتایج آزمایشات FBS ،Scr ، BUN ،WBC ،Hgb و نتایج معاینات بالینی فشار خون سیستولی و دیاستولی، وزن، سن کنونی بیمار، سن پیوندی و مقدارکنونی eGFR می باشد که در هر بار مراجعه بیماران ثبت گردیده است. از میان تمامی داده ها، 75 %آنها برای آموزش و مابقی 25% آنها برای ارزیابی عملکرد مدل پیش بینی مورد استفاده قرار گرفت. در مرحله اول با استفاده از سابقه نتایج آزمایشات و معاینات روز جاری مقدار آتی eGFR بهعنوان شاخص عملکرد آتی کلیه پیش بینی گردید. در مرحله بعد، عمل پیش بینی با تعداد سوابق بیشتری از مراجعات قبلی (از 1 تا 10 سابقه قبلی) انجام و عملکرد مدل ارزیابی گردید. یافته ها: مجموعه دادهای شامل 35066 رکورد اطلاعاتی مربوط به 940 گیرنده کلیه بود. به طور متوسط هر بیمار دارای 39 رکورد سابقه مراجعه بوده و متوسط فاصله زمانی بین مراجعات مختلف هر بیمار 59 روز بود که نتایج، کارایی بهتر شبکه های عصبیپرسپترون چند لایه را نشان می دهد. به علاوه نتایج ارزیابی مدل نشان میدهد که هر قدر سوابق مراجعات بیشتری به عنوان ورودی مدل پیش بینی استفاده شود عملکرد مدل بهتر می شود نتیجه گیری: نتایج نشان می دهد این سامانه تصمیم یار میتواند به عنوان یک ابزار کمکی در دسترس پزشکان قرار گرفته و حین در فرایند مراقبت های روزانه پیگیری های مادام العمر بعد از پیوند اطلاعات مناسبی از وضعیت آتی عضو پیوندی در اختیار پزشک قرار داده و در تصمیم گیری به آنها کمک نماید.

کلیدواژه ها:

پیش بینی ، عملکرد کلیه پیوندی ، شبکه های عصبی مصنوعی ، سیستم های تصمیم یار بالینی ، پیوند کلیه