مدل‌سازی تاثیر برخی از متغیرها بر شدت کووید 19 با الگوریتم CART در دانشگاه علوم پزشکی مشهد
مقدمه : با توجه به اینکه هنوز ویروس جدید کرونا (کووید 19) شیوع دارد یکی از دغدغه‌های مهم در سلامت جامعه، عوامل تاثیرگذار بر شدت این بیماری است. در این مطالعه، با استفاده از الگوریتم CART ، تعیین الگو وضعیت شدت بیماران مبتلا به ویروس کووید 19 در جمعیت تحت پوشش دانشگاه علوم پزشکی مشهد مورد بررسی قر...
| Main Authors: | , , , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Shahid Beheshti University of Medical Sciences
2022-11-01
|
| Series: | طب اورژانس ایران |
| Subjects: | |
| Online Access: | https://journals.sbmu.ac.ir/iranjem/article/view/39540 |
| _version_ | 1811222258716246016 |
|---|---|
| author | Mostafa Boskabadi Monavar Afzalaghaee Nasrin Talkhi Zahra Jamalian Ehsan Musa Farkhani Habibollah Esmaily |
| author_facet | Mostafa Boskabadi Monavar Afzalaghaee Nasrin Talkhi Zahra Jamalian Ehsan Musa Farkhani Habibollah Esmaily |
| author_sort | Mostafa Boskabadi |
| collection | DOAJ |
| description |
مقدمه : با توجه به اینکه هنوز ویروس جدید کرونا (کووید 19) شیوع دارد یکی از دغدغه‌های مهم در سلامت جامعه، عوامل تاثیرگذار بر شدت این بیماری است. در این مطالعه، با استفاده از الگوریتم CART ، تعیین الگو وضعیت شدت بیماران مبتلا به ویروس کووید 19 در جمعیت تحت پوشش دانشگاه علوم پزشکی مشهد مورد بررسی قرار می‌گیرد.
روش کار: این پژوهش از نوع مقطعی-تحلیلی می‌باشد. در این مطالعه، تمام افراد مراجعه کرده بابت بیماری کویید 19 که در پیک دوم بیماری و پیک چهارم دارای پرونده الکترونیک سلامت فعال در سامانه سینا می‌باشند وارد مطالعه می‌شوند. تجزیه و تحلیل داده ها با استفاده از نرم افزار آماری JMP نسخه 13 انجام شده است. در بخش مدل سازی از روش‌های داده‌کاوی و الگوریتم CART استفاده می‌شود.
یافته‌ها: نتایج توصیفی مطالعه به ما نشان داد 6 درصد بیماران دارای PCR مثبت، مبتلا به شکل شدید بیماری کرونا می‌باشند. متغیر سن اهمیت زیادی در شدت بیماری داشت و نقطه بحرانی برای شدت بیماری، سن 60 سال بوده بطوریکه شدت بیماری را از حدود 3درصد زیر 60 سال به حدود 18 درصد بالای 60 سال افزایش می‌دهد. متغیرهای بیماری قلبی، کلیوی، تنفسی، چربی خون، دیابت دیگر متغیرهای با اهمیت بوده اند.
نتیجه گیری: نتایج مدل رگرسیون و طبقه بندی درختی نشان می‌دهد که از بین متغیرهای برای سن زیر 60 سال به ترتیب اهمیت بیماری قلبی، سن، دیابت، بیماری تنفسی و چربی خون و برای سن بالای 60 سال به ترتیب اهمیت سن، بیماری قلبی، بیماری کلیوی، بیماری تنفسی و دیابت موثر می‌باشند. با توجه به سطح زیر منحنی ROC مدل برازش داده شده عملکرد خوبی برای داده‌های بیماری کرونا دارد بطوریکه پیش‌بینی شدت بیماری را تا 6 برابر افزایش می‌دهد.
|
| first_indexed | 2024-04-12T08:12:42Z |
| format | Article |
| id | doaj.art-b11df4a31a01409fbbda952e770ea419 |
| institution | Directory Open Access Journal |
| issn | 2383-3645 |
| language | English |
| last_indexed | 2024-04-12T08:12:42Z |
| publishDate | 2022-11-01 |
| publisher | Shahid Beheshti University of Medical Sciences |
| record_format | Article |
| series | طب اورژانس ایران |
| spelling | doaj.art-b11df4a31a01409fbbda952e770ea4192022-12-22T03:40:55ZengShahid Beheshti University of Medical Sciencesطب اورژانس ایران2383-36452022-11-019110.22037/ijem.v9i1.39540مدل‌سازی تاثیر برخی از متغیرها بر شدت کووید 19 با الگوریتم CART در دانشگاه علوم پزشکی مشهدMostafa BoskabadiMonavar AfzalaghaeeNasrin TalkhiZahra JamalianEhsan Musa FarkhaniHabibollah Esmaily مقدمه : با توجه به اینکه هنوز ویروس جدید کرونا (کووید 19) شیوع دارد یکی از دغدغه‌های مهم در سلامت جامعه، عوامل تاثیرگذار بر شدت این بیماری است. در این مطالعه، با استفاده از الگوریتم CART ، تعیین الگو وضعیت شدت بیماران مبتلا به ویروس کووید 19 در جمعیت تحت پوشش دانشگاه علوم پزشکی مشهد مورد بررسی قرار می‌گیرد. روش کار: این پژوهش از نوع مقطعی-تحلیلی می‌باشد. در این مطالعه، تمام افراد مراجعه کرده بابت بیماری کویید 19 که در پیک دوم بیماری و پیک چهارم دارای پرونده الکترونیک سلامت فعال در سامانه سینا می‌باشند وارد مطالعه می‌شوند. تجزیه و تحلیل داده ها با استفاده از نرم افزار آماری JMP نسخه 13 انجام شده است. در بخش مدل سازی از روش‌های داده‌کاوی و الگوریتم CART استفاده می‌شود. یافته‌ها: نتایج توصیفی مطالعه به ما نشان داد 6 درصد بیماران دارای PCR مثبت، مبتلا به شکل شدید بیماری کرونا می‌باشند. متغیر سن اهمیت زیادی در شدت بیماری داشت و نقطه بحرانی برای شدت بیماری، سن 60 سال بوده بطوریکه شدت بیماری را از حدود 3درصد زیر 60 سال به حدود 18 درصد بالای 60 سال افزایش می‌دهد. متغیرهای بیماری قلبی، کلیوی، تنفسی، چربی خون، دیابت دیگر متغیرهای با اهمیت بوده اند. نتیجه گیری: نتایج مدل رگرسیون و طبقه بندی درختی نشان می‌دهد که از بین متغیرهای برای سن زیر 60 سال به ترتیب اهمیت بیماری قلبی، سن، دیابت، بیماری تنفسی و چربی خون و برای سن بالای 60 سال به ترتیب اهمیت سن، بیماری قلبی، بیماری کلیوی، بیماری تنفسی و دیابت موثر می‌باشند. با توجه به سطح زیر منحنی ROC مدل برازش داده شده عملکرد خوبی برای داده‌های بیماری کرونا دارد بطوریکه پیش‌بینی شدت بیماری را تا 6 برابر افزایش می‌دهد. https://journals.sbmu.ac.ir/iranjem/article/view/39540کوويد-19الگوریتم CARTمنحني راکپيش بيني |
| spellingShingle | Mostafa Boskabadi Monavar Afzalaghaee Nasrin Talkhi Zahra Jamalian Ehsan Musa Farkhani Habibollah Esmaily مدل‌سازی تاثیر برخی از متغیرها بر شدت کووید 19 با الگوریتم CART در دانشگاه علوم پزشکی مشهد طب اورژانس ایران کوويد-19 الگوریتم CART منحني راک پيش بيني |
| title | مدل‌سازی تاثیر برخی از متغیرها بر شدت کووید 19 با الگوریتم CART در دانشگاه علوم پزشکی مشهد |
| title_full | مدل‌سازی تاثیر برخی از متغیرها بر شدت کووید 19 با الگوریتم CART در دانشگاه علوم پزشکی مشهد |
| title_fullStr | مدل‌سازی تاثیر برخی از متغیرها بر شدت کووید 19 با الگوریتم CART در دانشگاه علوم پزشکی مشهد |
| title_full_unstemmed | مدل‌سازی تاثیر برخی از متغیرها بر شدت کووید 19 با الگوریتم CART در دانشگاه علوم پزشکی مشهد |
| title_short | مدل‌سازی تاثیر برخی از متغیرها بر شدت کووید 19 با الگوریتم CART در دانشگاه علوم پزشکی مشهد |
| title_sort | مدل‌سازی تاثیر برخی از متغیرها بر شدت کووید 19 با الگوریتم cart در دانشگاه علوم پزشکی مشهد |
| topic | کوويد-19 الگوریتم CART منحني راک پيش بيني |
| url | https://journals.sbmu.ac.ir/iranjem/article/view/39540 |
| work_keys_str_mv | AT mostafaboskabadi mdlsạzytạtẖyrbrkẖyạzmtgẖyrhạbrsẖdtḵwwyd19bạạlgwrytmcartdrdạnsẖgạhʿlwmpzsẖḵymsẖhd AT monavarafzalaghaee mdlsạzytạtẖyrbrkẖyạzmtgẖyrhạbrsẖdtḵwwyd19bạạlgwrytmcartdrdạnsẖgạhʿlwmpzsẖḵymsẖhd AT nasrintalkhi mdlsạzytạtẖyrbrkẖyạzmtgẖyrhạbrsẖdtḵwwyd19bạạlgwrytmcartdrdạnsẖgạhʿlwmpzsẖḵymsẖhd AT zahrajamalian mdlsạzytạtẖyrbrkẖyạzmtgẖyrhạbrsẖdtḵwwyd19bạạlgwrytmcartdrdạnsẖgạhʿlwmpzsẖḵymsẖhd AT ehsanmusafarkhani mdlsạzytạtẖyrbrkẖyạzmtgẖyrhạbrsẖdtḵwwyd19bạạlgwrytmcartdrdạnsẖgạhʿlwmpzsẖḵymsẖhd AT habibollahesmaily mdlsạzytạtẖyrbrkẖyạzmtgẖyrhạbrsẖdtḵwwyd19bạạlgwrytmcartdrdạnsẖgạhʿlwmpzsẖḵymsẖhd |