مدل سازی و تحلیل گرافی برای کشف روابط پنهان میان بیماری ها و علائم: رویکردی داده محور برای تشخیص افتراقی و هم وقوعی علائم

مقدمه: درک روابط پنهان میان بیماری ها و علائم یکی از چالش های اساسی در تشخیص افتراقی و تحلیل هم وقوعی علائم در حوزه پزشکی است. با توجه به پیچیدگی تعاملات بالینی، شناسایی الگوهای مشترک میان بیماری ها می تواند در بهبود فرایند تشخیص و تصمیم گیری بالینی نقش مهمی ایفا کند. هدف این پژوهش، ارائه رویکردی داده محور برای تحلیل گرافی به منظور کشف و مدل سازی روابط پنهان میان بیماری ها و علائم است.روش بررسی: در این پژوهش از مجموعه داده عمومی «مجموعه داده پیش بینی بیماری-علامت» در پلتفرم کگل شامل ۴۹۲۰ بیماری و مجموعه ای از علائم، استفاده شد که شامل ۴۱ بیماری و ۱۳۱ علامت منحصر به فرد بود. با بهره گیری از ترکیب خطی شاخص های فرکانس وقوع و ضریب کاپا، یک گراف دوبخشی وزن دار بیماری-علامت ایجاد گردید. سپس با استخراج گراف های تک بخشی بیماری-بیماری و علامت-علامت و به کارگیری الگوریتم های خوشه بندی لووین، ماژولاریتی حریصانه و گیروان-نیومن، ساختار شبکه تحلیل شد.یافته ها: نتایج نشان داد که علامت خستگی و بیماری تب دنگی نقش کلیدی در شبکه بیماری-علائم داشتند. خوشه بندی بیماری ها با الگوریتم های لووین و ماژولاریتی حریصانه توانست خوشه های معنادار بیماری های مرتبط را ایجاد کند. خوشه بندی علائم با الگوریتم لووین، شش خوشه قابل تفسیر بالینی را آشکار کرد که برای شناسایی سریع بیماری ها مفید است. همچنین، علائم نامرتبط می توانند به یک بیماری شایع مرتبط باشند. خوشه های خاص علائم نیز راهنمای تشخیص بیماری های مشخص تر هستند.نتیجه گیری: یافته ها نشان می دهد که تحلیل گرافی می تواند ابزاری موثر برای کشف روابط پنهان میان بیماری ها و علائم باشد و در بهبود تشخیص افتراقی و طراحی سامانه های هوشمند پشتیبان تصمیم گیری نقش به سزایی ایفا کند.

کلیدواژه ها:

تشخیص افتراقی بیماری ، هم وقوعی علائم ، تحلیل شبکه های پزشکی ، گراف دوبخشی ، خوشه بندی شبکه ای