شناسایی ویژگی های مهم برای پیش بینی مرگ و میر ۳۰ روزه بیماران نارسایی قلبی دارای شوک کاردیوژنیک

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 102

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JHBMI-11-3_004

تاریخ نمایه سازی: 10 اسفند 1403

چکیده مقاله:

مقدمه:  بیماری قلبی یکی از علل اصلی مرگ ومیر است و پیش بینی می شود تا سال ۲۰۳۰ مرگ ومیر ناشی از بیماری های قلبی- عروقی به ۳/۲۳ میلیون نفر افزایش یابد. نارسایی قلبی و شوک کاردیوژنیک سهم بالایی از این مرگ ومیرها دارند و به عنوان اورژانس پزشکی نیازمند درمان به موقع هستند. هدف این پژوهش، پیش بینی سریع مرگ در بیماران نارسایی قلبی با شوک کاردیوژنیک با استفاده از ویژگی های کمتر است. روش کار: این پژوهش به روش تحلیلی - مقطعی با نمونه گیری تمام شماری صورت گرفت. داده های ۲۰۱ بیمار قلبی بالای ۱۸ سال که در سال ۲۰۲۰ در بیمارستان روحانی بابل دچار شوک کاردیوژنیک شده بودند، بررسی شدند. از ۳۴ ویژگی مانند سن، سابقه جراحی قلب باز، pH، لاکتات، دیابت و فشارخون استفاده شد و مرگ یک ماهه از طریق تماس تلفنی بررسی شد. برای پیش بینی مرگ از رگرسیون لجستیک و الگوریتم GBM استفاده شد. یافته ها: میانگین سن بیماران ۴۴/۶۹±۷۱/۱۵ سال بود. از این تعداد، ۷/۴۷ درصد فوت کردند. چهار ویژگی شامل سن، لاکتات، دیابت و گیجی به عنوان مهم ترین ویژگی ها انتخاب شدند. با یک سال افزایش در سن، احتمال مرگ ۷ درصد افزایش می یابد. احتمال مرگ در افراد دیابتی بیش از دوبرابر است. گیجی خطر مرگ را ۴ برابر و افزایش لاکتات خطر مرگ را ۵/۱ برابر افزایش می دهد. نتیجه گیری: نتایج نشان داد انتخاب ویژگی های موثر در پیش بینی مرگ بیماران نارسایی قلبی با شوک کاردیوژنیک با رگرسیون لجستیک و الگوریتم GBM امکان پذیر است و می تواند به بهبود برنامه های ارجاع درمانی و کاهش هزینه های پزشکی کمک کند.

نویسندگان

شیوا کنعانی

PhD Student in Industrial Engineering, Mazandaran University of Science and Technology, Babol, Iran

ایرج مهدوی

Professor, Department of Industrial Engineering, University of Science and Technology of Babol, Babol, Iran

نغمه ضیایی

Assistant Professor, Department of Cardiology, Fellowship of Heart Failure and Transplantation, Babol University of Medical ‎Sciences, Rouhani Hospital Research Center, Babol, Iran

باقر رحیم پور کامی

Assistant Professor, Department of Computer Engineering, University of Science and Technology of Babol, Babol, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • . Bahrami B, Hosseini Shirvani MS. Diagnosis of heart disease ...
  • . Reyentovich A, Thiele H. Clinical manifestations and diagnosis of ...
  • . Krittanawong C, Virk HU, Hahn J, Al-Azzam FA, Greason ...
  • . Awan SE, Bennamoun M, Sohel F, Sanfilippo FM, Chow ...
  • . Alotaibi FS. Implementation of machine learning model to predict ...
  • doi: ۱۰.۱۴۵۶۹/IJACSA.۲۰۱۹.۰۱۰۰۶۳۷[۱۳]. Li X, Sousa-Casasnovas I, Devesa C, Juarez M, ...
  • . König S, Pellissier V, Hohenstein S, Bernal A, Ueberham ...
  • . Ali MM, Al-Doori VS, Mirzah N, Hemu AA, Mahmud ...
  • . Demondion P, Fournel L, Golmard JL, Niculescu M, Pavie ...
  • . Witten IH, Frank E, Hall AM. Data Mining: Practical ...
  • . Davodian LW, Larsen JK, Povlsen AL, Josiassen J, Helgestad ...
  • نمایش کامل مراجع