داده کاوی در پزشکی

داده کاوی ویژگی های پزشکی بیماران با هدف تشخیص خودکار

داده کاوی به معنای استخراج اطلاعات نهفته، بازشناخت روابط و الگوهای پنهان و به طور کلی کشف دانش سودمند از داده با حجم بالا است. استخراج قواعد طبقه بندی نوعی داده کاوی است که در آن دانشی به شکل چندین قانون ساده و فهم پذیر از داده کشف شده و در آینده برای تصمیم گیری و پیشگویی به کار برده می شود. از مهمترین زمینـه هـای کـاربـردی استخـراج قـواعـد طبقـه بنـدی در حیطـه علـم پـزشکی است. با به کارگیری الگوریتم های داده کاو می توان سیستم های هوشمندی ابداع کرد که به شکل خودکار و بدون نیاز به نظارت پزشک قادر به فهم و تفسیر ویژگی های پزشکی افراد باشند یا اطلاعات مفیدی را اکتشاف کنند که متخصصان را در قضاوت صحیح یاری رساند. در ادبیات داده کاوی تا کنون مجموعه بسیار متنوعی از روش ها ارائه شده است که هر یک دارای نقاط ضعف و قدرت به خصوصی بوده که عملکرد آن بسته به نوع داده و شرایط حاکم بر مساله متفاوت است، بنابر این نمی تواند به تنهایی بهترین روش تلقی شود. در این روش بررسی، پیاده سازی و استفاده ترکیبی از الگوریتم ها و راهکار های گوناگون داده کاوی و ارائه روش های جدید و کارآمد تر به منظور پیش بینی و طبقه بندی پرداخته می شود. از روش های کلاسیک شناخته شده جهت کشف قواعد طبقه بنـدی مبتنـی بـر الگـوریتـم هـای تکاملی و ابزار های جستجو قدرتمند GA، PSO و IWOاستفاده می شود که به کارگیری الگوریتم بهینه سازی علف هرز (IWO) به منظور داده کاوی برای نخستین بار نوآوری این روش محسوب می شود. همچنین یک روش جدید و ابتکاری تلفیقی جهت استخراج قواعد طبقه بندی از شبکه عصبی RBFآموزش یـافتـه بـه کمـک الگـوریتم کلنی مورچه گان پیشنهاد شده است. در اعمال به چندین مجموعه داده مرجع برتری عملکرد کلیه الگوریتم های پیشنهادی در کشف اطلاعات مفید و استخراج قواعد طبقه بندی دقیق و تفسیر پذیر، نسبت به روش های کلاسیک به اثبات رسیده است. این روش ها توانسته اند داده های Wisconsinمربوط به بیماران مبتلا به سرطان را با دقت بالای 99% به درستی طبقه بندی کنند، هرچند طبقه بندی مجموعه داده های SPECT قلبی دشوار تر بوده و دقت از حدود 80% فراتر نرفته است.

داده کاوی در بهداشت و درمان

حوزه پزشکی و سلامت از بخش های مهم در جوامع صنعتی است. استخراج دانایی از میان حجم انبوه داده های مرتبط با سوابق بیماری و پرونده های پزشکی افراد با استفاده از فرایند داده کاوی می تواند منجر به شناسایی قوانین حاکم بر ایجاد، رشد و تسری بیماری ها شده و اطلاعات ارزشمندی را به منظور شناسایی علل رخداد بیماری ها، تشخیص، پیش بینی و درمان بیماری ها با توجه به عوامل محیطی حاکم در اختیار متخصصان و دست انداران حوزه سلامت قرار دهد. نتیجه این مساله به معنای افزایش عمر و ایجاد آرامش برای افراد جامعه است.

 

[caption id="attachment_988" align="aligncenter" width="540"] داده کاوی در پزشکی[/caption]

مهمترین خدمات قابل ارایه با استفاده از روش های داده کاوی

بررسی میزان تاثیر دارو بر بیماری و اثرات جانبی آن

تـشخیـص و پیـش بینـی انـواع بیمـاری هـا مانند تشخیص یا پیش بینی انواع سرطان

تعیین روش درمان بیماری ها

پیش بینی میزان موفقیت اقدامات پزشکی مانند اعمال جراحی

تـجــزیــه و تـحـلـیــل داده هــای مـوجـود در سیستم های اطلاعات سلامت (HIS)

تحلیل عکس های پزشکی

ساخت مدلی برای تعیین نوع درمان سنگ حالب با را هکار داده کاوی

داده کاوی (Data mining) مترادف با یکی از عــبــــارت هــــای اســتــخـــراج دانـــش، بـــرداشـــت اطلاعات، وارسی داده ها و حتی لایروبی کردن داده هـا اسـت کـه در حقیقت کشف دانش در پـایگاه داد ه ها Knowledge Discovery in Databases (KDD را توصیف می کند.

به طور ساده داده کاوی شامل استخراج دانش از حـجم عظیم داده ها می شود. البته عباراتی مانند کشف دانش از داده، استخراج دانش، آنالیز الگوها و لایروبی داده را نیز می توان معادل واژه داده کاوی به کار برد.

فـرایـنـد کـشـف دانـش دارای چـندین مرحله است که دقت در انجام هر کدام از این مراحل، روی کـیـفـیـت کـل فـرایند تاثیرگذار است . این مـراحـل عـبـارتـنـد از :1- فهم و تعریف مسئله : مرحله اول فهم حوزه کاری و مسئله ای است که سعی در پیدا کردن راه حل برای آن است درک کـامـل مـسـئـله پیش نیاز ضروری برای انتخاب روش مناسب داده کاوی و کشف دانش مفید از میان داده ها است.

2- جمع آوری و پیش پردازش داده ها: پیش پردازش داده ها خود شامل مراحلی است .

ایــن مــراحـل عـبـارتـنـد از: یـکـپـارچـه سـازی، حـذف نـویزها، مقابله با مقادیر مفقوده و تغییر شـکـل داده هـا، کـاهـش تعـداد داده هـا یـا تعـداد ویژگی ها و غیره.

3- داده کـاوی: مـرحـلـه سـوم هـمـان مـرحـلـه دادهکاوی است که با انجام آن الگوها و مدل های پنهان در میان داده ها استخراج می شود. در این مرحله باید نخست وظیفه داده کاوی و سپس روش داده کاوی را انتخاب کرد.

4- تفسیر و ارزیابی نتایج : مرحله چهارم شامل تفسیر نتایج به دست آمده از مرحله سوم است. لزوما نتایج به دست آمده از مرحله سوم قابل اطمینان نیستند و ممکن است بیانگر دانش مفید و قابل استفاده

نباشند. به همین خاطر باید این نتایج را به گونه ای ارزیابی کرد . برای ارزیابی مدل به دست آمده می توان در ابتدای امر، داده ها را به دو دسته آموزش (train) و آزمایش (test) تقسیم کرد، مدل را روی داده های آموزش ساخت و سپس نتایج به دست آمده را روی داده های تست آزمایش کرد و دقت مدل را محاسبه کرد.

استفاده از دانش کشف شده: مرحله آخر استفاده از دانش استخراج شده از داده ها به صورت عملی است. در حقیقت هدف از انجام مراحل مختلف کشف دانش، دست یابی به نتایجی است که بتوان از آن ها در دنیای واقعی و برای بهبود کارایی سازمان ها استفاده کرد . این دانش استخراج شده می تواند به عنوان یک سیستم کمک تصمیم در دنیای واقعی مورد استفاده قرار گیرد . داده کاوی روی داده های پزشکی از اهمیت بالایی برخوردار است و طراحی سیستم های کمک تصمیم جهت یاری رساندن به پزشکان در زمینه تشخیص نوع بیماری یا انتخاب نوع درمان مناسب، با کمک داده کاوی می تواند کمک شایانی در زمینه نجات جان انسان ها انجام دهد . یکی از اندام هایی که در بدن نقش اساسی و کلیدی ایفا می کند، کلیه است. انجام آزمایشات مناسب و انتخاب روش های درمانی مطلوب برای افرادی که به یکی از بیماری های کلیوی مبتلا هستند، بسیار حائز اهمیـت اسـت چـرا کـه کـوتـاهـی در درمـان بیمـاری های کلیوی می تواند منجر به از کارافتادگی سایر ارگان های بدن و در برخی موارد منجر به مرگ بیمار شود . یکی از بیماری های مربوط به کلیه، تشکیل سنگ کلیه در افراد است .

امروزه روش های درمانی مختلف برای برخورد با این بیماری وجود دارد اما انتخاب روش درمانی مناسب که علاوه بر آسیب رسانی کمتر به فرد، دارای خروجی مطلوب نیـز بـاشـد، کـاری پیچیـده اسـت . معمولا روش درمانی برای این بیماری با توجه به خصوصیات سنگ، انتخاب می شود که البته در بسیاری از موارد روش درمانی مناسب توسط پزشک برای بیمار انتخاب نمی شود. بدین جهت طراحی یک سیستم تصمیم یار جهت انتخاب نوع درمان سنگ کلیه با توجه به خصوصیات سنگ و بیمار و با کمک راهکار داده کاوی، می تواند به پزشکان در انتخاب درمان یاری رسان باشد.

هـمــزمــان بــا گستـرش و رشـد داده کـاوی و کـاربـردهـای آن در دهـه اخیـر، تـوجـه پژوهشگرانی از حوزه پزشکی و سلامت را به خود جلب کرده و به کارگیری آن در تحقیقات این حوزه روندی رو به تزاید پیدا کرده است.

روش بررسی

اطـلاعـات مربوط به بیماران از بیمارستان شهید هاشمی نژاد جمع آوری شده و کارهای مربوط به ساخت مدل (ورود داده ها، پیـش پـردازش و سـاخـت مـدل) در آزمـایشگـاه فناوری اطلاعات دانشگاه تربیت مدرسانجام شده است.

درخـت تصمیم (Decision Tree): یکی از روشهـای داده کـاوی روی پایگاه های داده، ساخت درخت تصمیم مربوط به داده ها است. درخت تصمیم یک ساختار درخت مانند دارد، در حـالـی کـه هر گره ورودی نشان دهنده یک امتحان روی یک ویژگی، هر شاخه خارج شده از آن گـره بـیـان کننده یکی از مقادیر ممکن برای همان ویژگی و برگ ها نشان دهنده کلاس ها هـسـتند. فرایند دسته بندی هر نمونه با امتحان ویـژگـی بـیـان شـده در گره ریشه شروع شده و سپس از شاخه های درخت با توجه به مقدار آن ویژگی پایین می آییم . سپس این فرایند با امتحان گره بعدی که در انتهای شاخه انتخاب شده قرار دارد، ادامه می یابد تا نهایتا به یک برگ برسیم . تـاکنون از درخت تصمیم به عنوان روش داده کـاوی جـهـت استخراج الگوهای نهان در داده های پزشکی، استفاده های زیادی شده است.

از آنجا که عملکرد این مدل، بهتر از عملکرد الـگـوریـتـم بـیـمـارسـتـانـی و مدل ذهنی پزشکان اسـت، از آن مـی تـوان بـه عـنـوان سیستم کمک تـصـمـیـم جـهـت تـعـیـیـن نوع درمان سنگ های حالب در بیمارستان استفاده کرد . با کمک این مـدل و بـا توجه به ویژگی های بیمار، پنج نوع درمــان مــوجـود در نـظـر گـرفـتـه شـده و درصـد موفقیت هر کدام از این درمان ها پیش بینی می شود. پزشک می تواند با توجه به میزان موفقیت هرکدام از درما ن ها، درمان مناسب را برای بیمار انـتـخـاب کنـد . در الگـوریتـم بیمـارستـان، بـرای انتخاب نوع درمان فقط دو ویژگی اندازه و مکان سنگ مهم است ، ولی در مدل ساخته شده سن بیمار نیز در تصمیم گیری موثر است. همچنین در الگوریتم بیمارستان برای سنگ های زیر 10 و بالای 10 میلی متر دو روش درمانی در نظر گرفته می شود، در صورتی که با توجه به مدل ساخته شده باید برای انتخاب نوع درمان، سنگ های بیشتر و کمتر از هفت میلی متر، بیشتر و کمتر از 11 میلی متر، بیشتر و کمتر از 13 میلی متر، بیشتر و کمتر از 20 و بیشتر و کمتر از 28 میلی متر را در نظر گرفت و با توجه به این اندازه نوع درمان را تعیین کرد.

تحقیق ها در زمینه داده کاوی

 

1-کـاربـرد داده کاوی در روش های ART درمان ناباروری

افـــزایـــش روزافـــزون پــیــشـــرفـــت در زمــیـنــه تــکــنـــولـــوژی اطـــلاعــات، بــاعــث ایـجــاد رشــد چـشـمگـیـری در عـلـوم شده است. یکی از این رشــتـــه هـــا، عــلــم پــزشـکــی اســت. اسـتـفــاده از تـکـنـیـکهـای دادهکـاوی در ایـن شـاخه از علم موجب شده که در کلیه مباحث، به خصوص بـحـث نـابـاروری بـتـوان سـیـسـتم های پزشکیار طـراحـی کـرد. عـوامـل مـخـتـلـفـی مـوجـب بـروز نـاباروری میشود که میتوان آنها را به طور کلـی بـه دو دستـه تقسیـم کـرد: عوامل مردانه و عوامل زنانه که هر کدام فاکتور های زیادی را شامل میشوند و درمان خاص خود را دارند. روشهای درمانی از جمله IUI، IVF و غیره در این حوزه استفاده میشود. در این تحقیق سعی بر این است تا با استفاده از تحلیلهای دادهکاوی روشهای غیرنظارتی، به تحلیل دادههای این حــوزه پــرداخـتــه شـود تـا بتـوان بـه پـزشکـان در تصمیمگیری جهت درمان بیماران کمک کرد.

2-کاربرد داده کاوی در بیماریهای قلبی و عروقی

رشد چشمگیر بیماریهای قلبی و عروقی و اثرات و عوارض آن ها و هزینههای بالایی که بر جامعه وارد میکند، باعث شده که جامعه پزشکی به دنبال برنامه هایی جهت بررسی بیشتر، پیشگیری، شناسایی زود هنگام و درمان موثر آن باشد. از اینرو با استفاده از دادهکاوی و کشف دانش در سیستم مراکز قلب و عروق میتوان دانش ارزشمند را ایجاد کرد که این دانش کشف شده میتواند باعث بهبود کیفیت سرویس به وسیله مدیران مرکز شود و همچنین میتواند به وسیله پزشکان استفاده شود تا رفتار آینده بیماران قلبی و عروقی از روی سابقه داده شده پیش بینی کنند و نیز تشخیص بیماری قلبی از روی ویژگیهای گوناگون و نشانهها، ارزیابی فاکتورهای ریسکی که باعث افزایش حمله قلبی می شود از مهمترین کاربردهای داده کاوی و کشف دانش در سیستم بیماران قلبی و عروقی است

منابع

1-سیـد علیـرضـا کاج آبادی ؛ محمد حسین سرایی ؛ صدیقه عسگری، داده کاوی پزشکی :راهکاری جهت کشف روابط بین عوامل خطرزای قلبی، .artificial.ir

2- علی اکبر خاصه، داده کاوی، متن کاوی، و وب کاوی :تعاریف و کاربردها

3-نازلی خیرابی، حمید ، داده کاوی ویژگی های پزشکی بیماران به هدف تشخیص خودکار با استفاده از الگوریتم های هوشمند

4sites.google.com/site/daychegroup-

5- محمدمهدی سپهری، پریسا رهنما، پژمان شادپور، بابک تیمورپور، ساخت مدلی بـرای تعیین نوع درمان سنگ حالب با را هکار داده کاوی، مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران، دوره 67 ،شماره 6، شهریور 1388