استخراخ قواعد ابتلا به مسمومیت بارداری مبتنی بر الگوریتم ژنتیک

چکیده : مسمومیت بارداری ، یک مشکل شایع در حاملگی است وسالانه 8 تا 11 درصد حاملگی ها را در بر می گیرد و دومین عامل مرگ و میر مادران محسوب می شود. این وضعیت با فشار خون بالا و پروتئین اضافی در ادرار بعد از هفته 20 حاملگی روی می دهد که به آن فشار خون ناشی از بارداری نیز گفته می شود. این مسمومیت در صورتی که درمان نشده باقی بماند، می تواند منجر به عوارض جدی و کشنده برای مادر و جنین متولد نشده باشد. انجام مطالعات و پژوهشها در این حوزه از اهمیت فراوانی برخوردار است. در زمینه بررسی این بیماری، تا کنون مطالعات بسیاری در ایران و جهان صورت گرفته است اما اغلب آنها شامل تحلیلهای آماری و بالینی می باشند و با رویکرد داده کاوی و استخراج قوانین دسته بندی تا کنون مطالعه ای صورت نگرفته است. این مطالعه به صورت گذشته نگر به بررسی پارامترهای موثر در بیماری مسمومیت بارداری پرداخته و در نهایت مدلی را مبتنی بر الگوریتم ژنتیک برای استخراج قواعد ابتلا به مسمومیت بارداری ارائه میدهد. . داده های جمع آوری شده شامل542 مورد از سال1384 تا نیمه دوم سال 1388 در بیمارستان فاطمیه شهرستان همدان است و از الگوریتمهای انتخاب ویژگی ، نایو بیز ، درخت تصمیم گیری chaid والگوریتم ژنتیک برای انجام تحلیل استفاده شده است. پارامترهای جمع آوری شده از پرونده های بیماران شامل : سن مادر، هفته بارداری ، میزان پلاکت خون ، ast،alt ، سابقه فشار خون مزمن ، میزان پروتئین در ادرار ، شکم چندم و سابقه بیماریهای دیگر می باشد. نتایج حاصل حاکی از آن است که هفته بارداری ، میزان پروتئین و سابقه فشار خون نقش بسیار مهمی را در تعیین ابتلا به بیماری در زنان باردار بازی می کنند ، که این پارامترها در قواعد بدست آمده در الگوریتم ژنتیک نیز بخوبی نمایان است و می تواند در پیش بینی ابتلا به بیماری کمک قابل توجهی به پزشکان این حوزه نماید. نتایج این فرض را که تمامی پارامترهای مربوط به مادر نقش یکسانی در میزان ابتلا به این بیماری دارند ،رد می کند . با استفاده از الگوریتم انتخاب ویژگی درصد اهمیت تاثیر هر یک از پارامتر ها در ابتلا به بیماری بدست آمد و سپس از آن اعداد در الگوریتم ژنتیک به عنوان وزن ژنها استفاده شد، قواعد استخراج شده به تایید چند تن از افراد متخصص بیماریهای زنان و زایمان نیز رسیده است. همچنین از الگوریتم نایو بیز و درخت تصمیم نیز می توان برای ایجاد مدلی جهت دسته بندی داده ها و پیش بینی بهره برد که نحوه توزیع مقادیر پارامترها را درکلاس بیماری بصورت قابل درکی بیان میکنند. در هر دو رویکرد پارامتر پروتئین بسیار حائز اهمیت شناخته شده و در کلاس بندی داده ها نقش مهمی دارد.