TY - JOUR T1 - Prediction and determining the effective factors on the survival transplanted kidney for five-year in imbalanced data by the meta-heuristic approach and machine learning TT - پیش‌بینی و تعیین عوامل مؤثر بر بقای پنج‌سالۀ کلیۀ پیوندی در داده‌های نامتوازن با رویکرد فراابتکاری و یادگیری ماشین JF - jsdp JO - jsdp VL - 15 IS - 4 UR - http://jsdp.rcisp.ac.ir/article-1-684-fa.html Y1 - 2019 SP - 85 EP - 94 KW - Kidney Transplantation KW - imbalance data KW - Genetic Algorithm KW - K- nearest neighbors N2 - در مرحلۀ نهاییِ نارسایی کلیه، پیوند کلیه می­تواند عمر بیماران را طولانی کند و کیفیت زندگی بیمار را بسیار بهبود بخشد. بعد از عمل پیوند کلیه، بررسی میزان یا پیش­بینی بقای کلیۀ پیوندی اهمیت زیادی دارد. این مطالعه بر روی بیماران کلیۀ پیوندی بیمارستان‌­هایامام رضا(ع) و چهارمین شهید محراب کرمانشاه در سال­های 2012- 2001 انجام شده است. از آن­جایی‌که داده­های نامتوازن باعث ناکارامدی مدل­های یادگیری ماشین می­شوند، ابتدا داده­های نامتوازن با دو روش بیش‌­نمونه‌­برداری و زیر­نمونه­برداری متوازن شدند؛ سپس عوامل اثرگذار بر بقای پیوند کلیه به­کمک الگوریتم فراابتکاری ژنتیک شناسایی شده و مدل یادگیر طبقه­بند نزدیک­ترین همسایه برای پیش­بینی بقای پنج سالۀ کلیۀ پیوندی به‌کار گرفته شد. بقای کلیۀ پیوندی در روش بیش­نمونه­برداری با دقّت 8/96 درصد و زیر­نمونه­برداری با دقّت 2/89 درصد پیش­بینی شد. هم‌چنین، ویژگی­های وزن، سنِّ دهنده و گیرنده، اورۀ قبل پیوند، کراتین قبل پیوند، هموگلوبین قبل و بعد پیوند، جنسیتِ دهنده، RH دهنده و گیرنده، بیماری اولیه، سنِّ دهندۀ بالای سی و سنِّ گیرندۀ بالای چهل، به­عنوان ویژگی­های تأثیرگذا­ر ­در بقای کلیه پیوندی شناسایی شد. مقایسه نتایج به‌دست­آمده از این پژوهش با مطالعات پیشین، برتری مدل پیشنهادی را از نقطه­نظر دقّت مدل نشان می­دهد. به­عبارتی متوازن­سازی داده­ها همراه با انتخاب ویژگی­ بهینه منجر به ارائه مدل پیش­بینی دقیق­تری می‌شود. M3 10.29252/jsdp.15.4.85 ER -