کشف الگوی وضعیت اهداکنندگان خون از طریق خوشه‌بندی: روشی برای افزایش کیفیت خدمات در مراکز اهدای خون

نویسندگان

  • Maryam Ashoori1 1- مجتمع آموزش عالی سراوان- دانشکده فنی و مهندسی- گروه فناوری اطلاعات- مربی.
  • Shahriar Mohammadi2 2- دانشگاه صنعتی خواجه نصرالدین طوسی- دانشکده مهندسی صنایع- گروه فناوری اطلاعات- استادیار.
  • Hoda Sadat Hossieny Eivary3 3- دانشگاه آزاد فردوس- گروه مهندسی کامپیوتر- کارشناس ارشد.

DOI::

https://doi.org/10.22100/jkh.v11i4.1525

کلمات کلیدی:

اهداکنندگان خون، داده کاوی، درخت تصمیم، خوشه‌بندی

چکیده

مقدمه: نياز فوري به خون و عدم جايگزين مناسب براي آن، ضرورت وجود الگویی برای کمک به پزشکان جهت ارايه خدمات درست به اهداکنندگان و مدیریت صحیح پایگاه خون را نشان مي‌دهد. پژوهش حاضر با هدف شناسایی الگویی برای تشخیص وضعیت اهداکنندگان خون صورت گرفته است.

مواد و روش‌ها: پژوهش حاضر به روش پیمایشی- مقطعي و به‌صورت سرشماری صورت گرفته است. جامعه پژوهش متشکل از داده‌هاي سازمان انتقال خون بيرجند در ماه‌های خرداد تا شهریور 92 است که با مراجعه مستقيم پژوهش‌گر به سازمان و به‌صورت فایل اکسل تهیه گردید. جهت تحليل داده‌ها از نرم‌افزار Clementine12.0 استفاده شده است. در پژوهش حاضر ابتدا خوشه‌بندی Two-Step و سپس الگوريتم‌های C5.0،C&R Tree ، CHAID و QUEST اجرا گردیدند تا بهترین نسبت بین فیلدهای مختلف به‌دست آید.

نتایج: مقدار صحت به‌دست آمده از اجرای الگوریتم‌های C5.0، C&R Tree، CHAID و QUEST به‌ترتيب 9998/0، 9960/0، 9930/0، 8913/0 مي‌باشد. مقادیر به‌دست آمده برای شاخص‌های حساسیت، شفافیت، صحت، دقت، شاخص F، میانگین هندسی، نرخ مثبت غلط، نرخ منفی غلط و نرخ خطا برای مدل C5.0 نشان‌دهنده عملکرد بهتر اين الگوريتم نسبت‌به سایرین مي‌باشد. تأثيرگذارترین شاخص‌ها در تولید مدل، دسته فشارخون، وضعیت اهدای خون و دمای بدن هستند.

نتيجه‌گيري: مدل ارايه شده به پيش‌بيني سریع‌تر و دقیق‌تر وضعیت اهدای خون و نیز مدیریت صحیح پایگاه خون کمک مي‌نماید و مي‌تواند گامی مؤثر جهت استفاده کارآمد از خون اهدایی و کاهش هزینه‌های نگهداری خون محسوب گردد.

بیوگرافی نویسندگان

  • Maryam Ashoori1، 1- مجتمع آموزش عالی سراوان- دانشکده فنی و مهندسی- گروه فناوری اطلاعات- مربی.
    گروه مهندسی فناوری اطلاعات- مربی
  • Shahriar Mohammadi2، 2- دانشگاه صنعتی خواجه نصرالدین طوسی- دانشکده مهندسی صنایع- گروه فناوری اطلاعات- استادیار.
    گروه مهندسی فناوری اطلاعات- دانشکده مهندسی صنایع

مراجع

Venkateswarlu B, Prasad Raju GSV. Mine Blood Donors Information through Improved K-Means Clustring. International Journal of Computational Science and Information Technology 2013;1:9-15.

Darwiche M, Feuilloy M, Bousaleh G, Schang D. Prediction of blood transfusion donation. In Fourth International Conference on Research Challenges in Information Science 2010;51-6. doi: 10.1109/RCIS.2010.5507363

Testik MC, Ozkaya BY, Aksu S, Ozcebe OI. Discovering blood donor arrival patterns using data mining: a method to investigate service quality at blood centers. Journal of Medical Systems 2012; 36:579-94. doi: 10.1007/s10916-010-9519-7

Saiful Islam AHM, Ahmed N, Hasan K, Jubayer M. mHealth: Blood Donation Service in Bangladesh. In International Conference on Informatics, Electronics & Vision 2013;1-6. doi: 10.1109/ICIEV.2013. 6572594

Li BN, Dong MC. Banking on blood [electronic donor card system]. Computing & Control Engineering Journal 2006;17:22-5.

Alfonso E, Xie X, Augusto V, Garraud O. Modeling and simulation of blood collection systems. Health Care Manag Sci 2012;15:63-78. doi: 10.1007/s10729-011-9181-8

Li BN, Dong MC, Chao S. On decision making support in blood bank information systems. Expert Systems with Applications 2008;34:1522-32. doi: 10.1016/j.eswa.2007.01.016

Shmiel O, Shmiel T, Dagan Y, Teicher M. Processing of Multichannel Recordings for Data-Mining Algorithms. IEEE Transactions on Biomedical Engineering 2007;54:444-53.

Altiparmak F, Ferhatosmanoglu H, Erdal S, Trost DC. Information mining over heterogeneous and high-dimensional time-series data in clinical trials databases. IEEE Trans Inf Technol Biomed 2006;10: 254-63.

Seliya N, Khoshgoftaar TM. The use of decision trees for cost-sensitive classification: an empirical study in software quality prediction. WIREs Data Mining and Knowledge Discovery 2011; 1: 448-59. doi: 10.1002/widm.38

Loh WY. Classification and regression trees. WIREs Data Mining and Knowledge Discovery 2011;1:14-23. doi: 10.1002/widm.8

Chen X, Wang M, Zhang H. The use of classification trees for bioinformatics. Wiley Interdiscip Rev Data Min Knowl Discov 2011;1:55-63. doi: 10.1002/widm.14

Kokol P, Pohorec S, ˇStiglic G, Podgorelec V. Evolutionary design of decision trees for medical application. WIREs Data Mining and Knowledge Discovery 2012;2:237-54. doi: 10.1002/widm.1056

Santhanam T, Sundaram S. Application of CART algorithm in blood donors classification. Journal of Computer Science 2010;6: 548-52. doi : 10.3844/jcssp.2010.548.552

Lee WC, Cheng BW. An intelligent system for improving performance of blood donation. Journal of Quality 2011;18: 173-85.

Dhoke NW, Deshmukh SS. To improve blood donation process using data mining techniques. International Journal of Innovative Research in Computer and Communication Engineering 2015;3: 4834-40. doi: 10.15680/ijircce.2015.0305166

Alizadeh S, Ghazanfari M, Teimorpour B. Data mining and knowledge discovery. 2nd ed. Tehran: Publication of Iran University of Science and Technology;2011.[Persian].

Ameri H, Alizadeh S, Barzegari A. Knowledge extraction of diabetics’ data by decision tree method. Health Management 2013;16:58-72.[Persian].

López MI, Luna JM, Romero C, Ventura S. Classification via clustering for predicting final marks based on student participation in forum. Proceeding of 5th International Conference on Educational Data Mining; 2012 Jun 19-21; Greece,China.p.148-51.

Ashoori M, Taheri Z. Using clustering methods for identifying blood donors behavior. Proceeding of 5th Iranian Conference on Electrical and Electronics Engineering 2013; Gonabad, Iran.p.4055-77.

Han J, Kamber M. Data Mining: Concepts and Techniques. 2nd ed. Morgan Kaufman;2006.

Chen G, Asterbro T. How to deal with missing categorical data: test of a simple Bayesian Method. Organizational Research Methods 2003;6:309-27.

Papagiannis D, Rachiotis G, Symvoulakis EK, Anyfantakis D, Douvlataniotis K, Zilidis C, et al. Blood donation knowledge and attitudes among undergraduate health science students: A cross-sectional study. Transfus Apher Sci 2016;54:303-8. doi: 10.1016/j.transci.2015.11.001

Ramachandran P, Girija N, Bhuvaneswari T. Classifying blood donors using data mining techniques. IJCSET 2011;1:10-3.

Sundaram S, Santhanam T. Real-time blood donor management using dashboards based on data mining models. International Journal of Computer Science 2011;8:159-63.

Sundaram S, Santhanam T. A comparison of blood donor classification data mining models. Journal of Theoretical and Applied Information Technology 2011;30:98-101.

Ramoa A, Maia S, Lourenço A. A rational framework for production decision making in blood establishments. J Integr Bioinform 2012;9:1-11. doi: 10.2390/biecoll-jib-2012-204

Sharma A, Gupta PC. Predicting the number of blood donors through their age and blood group by using data mining tool. International Journal of Communication and Computer Technologies 2012;1:6-10.

Hari Ganesh S, Vanitha K. Comparative study of data mining approaches for blood platelet transfusion. International Journal of Advanced Research in Computer Engineering & Technology 2014; 3:3069-74.

Asha Rani S, Hari Ganesh S. A comparative study of classification algorithm on blood transfusion. International Journal of Advancements in Research & Technology 2014;3:57-60.

Ritika , Paul A. Prediction of blood donors‟ population using data mining classification technique. International Journal of Advanced Research in Computer Science and Software Engineering 2014;4:634-8.

Ashoori M, Alizade S, Hossieny H, Hossieny S. A model to predict the sequential behavior of healthy blood donors using data mining. Journal of Research & Health 2015; 5:141-8.

دانلود

چاپ شده

2017-02-05

شماره

نوع مقاله

مقاله پژوهشي

مقالات بیشتر خوانده شده از همین نویسنده

<< < 34 35 36 37 38 39 40 41 42 43 > >>