پیش بینی مرگ و میر بیماران نارسایی قلبی با استفاده از داده های رجیستری: تبدیل جدید داده به تصویر و مدل تجمیعی از CNN ها

نارسایی قلبی (HF یا Heart Failure) یک اختلال قلبی با میزان مرگ و میر قابل توجه است که با استفاده از داده های رجیستری، میزان بقای بیماران قابل ارزیابی می باشد. هدف این پژوهش پیش بینی مرگ و میر ۶ ماهه (۶-MM) و ۱۲ ماهه (۱۲-MM) بیماران HF با استفاده از داده های رجیستری است که قبل از بستری شدن در بیمارستان، در طول مدت بستری و همچنین هنگام ترخیص جمع آوری شده اند. این مجموعه داده شامل ۳۹۶۸ رجیستری از بیماران HF می باشد که در دانشگاه علوم پزشکی اصفهان جمع آوری شده است. یکی از چالش های مربوط به دادگان رجیستری، نامتعادل بودن تعداد بیماران در قید حیات و فوت شده است. لذا در این تحقیق یک مدل تجمیعی از شبکه های عصبی پیچشی (CNN) برای پیش بینی وضعیت بقای بیماران پیشنهاد شده است. شبکه های عصبی پیچشی، کاربرد زیادی در شناسایی الگوها از روی تصاویر دارند اما در اینجا با یک بردار داده برای هر بیمار مواجه هستیم، به همین منظور از مزایای شبکه عصبی پیچشی نمی توان بهره برد. لذا در این تحقیق، یک تبدیل جدید بردار داده به تصویر با استفاده از نقشه های خود سازمان دهنده (SOM یا self-organizing maps) طراحی شده است. در ادامه روش پیشنهادی خود را با روش تبدیل داده به تصویر DeepInsight و همچنین با چندین طبقه بند پایه که از داده های رجیستری HF به همراه نمونه برداری کاهشی استفاده می کنند، مقایسه کردیم. بر اساس نتایج، مدل پیشنهادی، با استفاده از SOM در تبدیل داده به تصویر، عملکرد بهتری نسبت به سایر روش ها دارد و به بالاترین میزان ناحیه زیر منحنی مشخصه عملکرد گیرنده (ROC) برای هر دو پیش بینی ۶-MM و ۱۲-MM، به ترتیب با نرخ های ۷۴.۲۲% و ۷۵.۲% دست یافته است. بنابراین، مدل پیشنهادی به طور موثری وضعیت بقای بیماران HF را با استفاده از داده های رجیستری پیش بینی می کند.

کلیدواژه ها:

پیش بینی مرگ و میر نارسایی قلبی ، داده های نامتعادل ، مدل تجمیعی از شبکه های عصبی پیچشی (CNN) ، تبدیل داده به تصویر ، نقشه های خود سازمان دهنده (SOM)