پیش بینی زودهنگام بیماری گندخونی با استفاده از الگوریتم جنگل تصادفی برای دیتاست‌های نامتوازن

پیش بینی زودهنگام بیماری گندخونی، در بیماران بستری در ICU، به عنوان یکی از چالش های اصلی حوزه سلامت می باشد که در صورت موفقیت آمیز بودن آن می تواند علاوه بر کاهش هزینه ها، میزان مرگ و میر بیماران را کاهش دهد. این مشکل به عنوان چالشی جذاب توسط وب سایت فیزیونت در سال 2019 مطرح شد، رویداد مهمی در زمینه بهبود بیماری گندخونی در بیماران بدحال بود. گندخونی به وضعیتی گفته می شود که واکنش بدن در تقابل به عفونت های پیش آمده باعث آسیب های دیگر به اعضای بدن می شود. تشخیص و درمان زودهنگام گندخونی می تواند باعث کاهش احتمال فوت بیماران شود. در این چالش دیتاستی از اطلاعات سلامت بیماران بستری در مرکز مراقبت های ویژه جمع آوری شده است که شامل اطلاعات آماری، علائم حیاتی، اطلاعات آزمایشگاهی و نتایج نهایی می باشد.

در این تحقیق با مهندسی ویژگی ها و پیش پردازش داده ها، مدلی جهت پیش بینی زودهنگام گندخونی با استفاده از جنگل تصادفی نامتوازن ارائه شده است که قادر است با چالش نامتوازنی دیتاست های پزشکی، تعداد نامتوازن نمونه های دارای کلاس مثبت، مقابله کرده و عملکرد مناسبی داشته باشد.

نتایج پژوهش نشان می دهد که این الگوریتم به امتیاز 0.41 روی دیتاست A و 0.38 روی دیتاست B دست پیدا کند که نشان دهنده عملکرد قابل قبولی در پیش بینی گندخونی در مقایسه با مدلهای مشابه است. این امتیاز معیاری از دقت و کارایی مدل، پیش بینی شش ساعت زودتر ابتلا به عنونت، است که توازن لازم میان پیش بینی صحیح و غلط را در نظر می گیرد. استفاده از الگوریتم جنگل تصادفی متوازن، پتانسیل روش های یادگیری ماشین در علم پزشکی، به خصوص در موارد مراقب های ویژه که تشخیص سریع و دقیق حیاتی است را به رخ می کشد اما با این وجود امتیاز 0.41 نشان می دهد که همچنان فضای بهبود و پیشرفت در دقت مدل طراحی شده وجود دارد. در این زمینه تحقیق و توسعه ی بیشتری لازم است تا بتوان عملکرد الگوریتم را بهبود بخشید و امتیاز بیشتری دریافت کرد.