Iranian Journal of Health Insurance

fa کاوش الگوهای هم‌وقوعی داروهای تجویزی در بیماران آلزایمر با استفاده از قوانین انجمنی بر روی داده‌های واقعی بیمه سلامت ایران (۱۳۹۹-۱۴۰۱) Exploration of Co Prescribing Patterns of Medications in Alzheimer’s Patients Using Association Rule Mining on Real Health Insurance Data in Iran (2020–2022) تخصصي Special پژوهشي Research <div style="text-align: justify;">مقدمه: بیماری آلزایمر به‌عنوان شایع‌ترین علت زوال عقل در سالمندان، بار قابل‌توجهی بر نظام سلامت تحمیل می‌کند. با روند رو به افزایش جمعیت سالمند در ایران، شناخت الگوهای تجویز دارو در شرایط واقعی بالینی برای بهینه‌سازی درمان و کاهش پولی‌فارماسی ضروری است. کاوش قوانین انجمنی بر داده‌های ثبتی بیمه‌ای فرصتی برای شناسایی الگوهای هم‌وقوعی داروها فراهم می‌آورد. روش بررسی: مطالعه توصیفی–تحلیلی و غیرتجربی بر داده‌های ثبتی سازمان بیمه سلامت ایران (۱۳۹۹-۱۴۰۱) انجام شد. از ۵۳۲٬۳۶۹ رکورد نسخه‌ای بیماران آلزایمری پس از پاک‌سازی، استانداردسازی و حذف داروهای نادر، ماتریس تراکنشی دودویی (حضور/عدم حضور دارو) ساخته شد. الگوریتم‌های Apriori و FP-Growth برای استخراج قوانین انجمنی با معیارهای Support، Confidence و Lift اجرا گردیدند. یافته‌ها: Donepezil و Memantine با تمرکز ۸۱ درصد تجویزها غالب بودند؛ Rivastigmine و Galantamine سهم ناچیزی داشتند و داروهای غیراختصاصی محدود بودند. هر دو الگوریتم الگوهای مشابهی نشان دادند ( FP-Growth کارایی بالاتر)، اما هیچ قانون معناداری با آستانه‌های Support، Confidence و Lift شناسایی نشد؛ همگرایی نتایج بیانگر پراکندگی بالای داده‌های واقعی است. نتیجه‌گیری: الگوهای تجویزی آلزایمر با راهنماهای بالینی همخوان اما فاقد هم‌وقوعی پایدار برای قوانین انجمنی کلاسیک است. این یافته‌ها پیچیدگی داده‌های بالینی را تأیید و روش‌های Sequential Mining و یادگیری ماشین را ضروری می‌سازد؛ مبنایی برای بهینه‌سازی تجویز و سیاست‌گذاری در ایران فراهم می‌کند.</div> <div style="text-align: justify;">Introduction: Alzheimer’s disease, as the most common cause of dementia in older adults, imposes a substantial burden on the healthcare system. With the growing elderly population in Iran, understanding real‑world prescribing patterns is essential for optimizing treatment and reducing polypharmacy. Association rule mining on insurance registry data provides an opportunity to identify co‑occurrence patterns of medications. Methods: A descriptive–analytical, non‑experimental study was conducted on registry data from the Iran Health Insurance Organization (2020–2022). From 532,369 prescription records of Alzheimer’s patients, after cleaning, standardization, and removal of rare medications, a binary transactional matrix (presence/absence of drugs) was constructed. The Apriori and FP‑Growth algorithms were applied to extract association rules using Support, Confidence, and Lift. Results: Donepezil and Memantine dominated with 81% of prescriptions; Rivastigmine and Galantamine had minimal shares, and non‑specific medications were limited. Both algorithms showed similar patterns (FP‑Growth more efficient), yet no meaningful rules met the Support, Confidence, and Lift thresholds; convergence of results indicated high dispersion in real‑world data. Conclusion: Prescribing patterns in Alzheimer’s disease were consistent with clinical guidelines but lacked stable co‑occurrences for classical association rules. These findings highlight the complexity of clinical data and the need for Sequential Mining and machine learning, providing a foundation for optimizing prescribing and policymaking in Iran.</div> بیماری آلزایمر, تجویز دارو, داده‌کاوی, قوانین انجمنی, Apriori, FP-Growth, نسخه‌های بیمه سلامت Alzheimer’s Disease, Drug Prescribing, Data Mining, Association Rules, Apriori, FP Growth, Health Insurance Prescriptions 0 0 http://journal.ihio.gov.ir/browse.php?a_code=A-10-2385-1&slc_lang=fa&sid=1 Maedeh Gholamazad مائده غلام‌آزاد maedeh.gholamazad@gmail.com 10031947532846007031 10031947532846007031 No Medical Informatics Department, Breast Cancer Research Center, National Cancer Institute-Iran, ACECR, Tehran, Iran گروه پژوهشی هوش مصنوعی، انفورماتیک و مدلسازی پزشکی، مرکز تحقیقات سرطان پستان، پژوهشگاه ملی سرطان، جهاد دانشگاهی، تهران، ایران Alireza Atashi علیرضا آتشی Aratashi@SINA.TUMS.AC.IR 10031947532846007032 10031947532846007032 No Medical Informatics Department, Breast Cancer Research Center, National Cancer Institute-Iran, ACECR, Tehran, Iran گروه پژوهشی هوش مصنوعی، انفورماتیک و مدل‌سازی پزشکی، مرکز تحقیقات سرطان پستان، پژوهشگاه ملی سرطان، جهاد دانشگاهی، تهران، ایران Fatemeh Hajialiasgari فاطمه حاجی‌علی‌عسگری HajiAliAsgari@tums.ac.ir 10031947532846007033 10031947532846007033 No Geriatrics Medicine Department, School of Medicine, Tehran University of Medical Sciences, Iran گروه طب سالمندی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، ایران Shima Mohammadi شیما محمدی shimamohamadi1365@gmail.com 10031947532846007034 10031947532846007034 Yes National Center for Health Insurance Research, Tehran, Iran Reza Mehrizi رضا مهریزی mohammadrezamehrizi1376@gmail.com 10031947532846007035 0009-0002-6919-5718 No School of Medicine, Tehran University of Medical Sciences, Tehran, Iran دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Leila Ghamkhar لیلا غمخوار lghamkhar@yahoo.com 10031947532846007036 10031947532846007036 No National Center for Health Insurance Research, Tehran, Iran مرکز ملی تحقیقات بیمه سلامت، تهران، ایران Hossein Effatpanah حسین عفت‌پناه Hoseineffatpanah@asaums.ac.ir 10031947532846007037 10031947532846007037 No Department of School Health, School of Allied Medical Sciences, Asadabad School of Medical Sciences, Iran گروه بهداشت مدارس، دانشکده علوم پزشکی اسدآباد، اسدآباد، ایران