Research code: 40200113
Ethics code: IR.TUMS.NIHR.REC.1403.003
مائده غلامآزاد1 
، علیرضا آتشی2 ، فاطمه حاجیعلیعسگری3 
، شیما محمدی*4 ، رضا مهریزی5 ، لیلا غمخوار6 ، حسین عفتپناه7
، علیرضا آتشی2 ، فاطمه حاجیعلیعسگری3 ، شیما محمدی*4 ، رضا مهریزی5 ، لیلا غمخوار6 ، حسین عفتپناه7
1- گروه پژوهشی هوش مصنوعی، انفورماتیک و مدلسازی پزشکی، مرکز تحقیقات سرطان پستان، پژوهشگاه ملی سرطان، جهاد دانشگاهی، تهران، ایران
2- گروه پژوهشی هوش مصنوعی، انفورماتیک و مدلسازی پزشکی، مرکز تحقیقات سرطان پستان، پژوهشگاه ملی سرطان، جهاد دانشگاهی، تهران، ایران
3- گروه طب سالمندی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، ایران
4- ،shimamohamadi1365@gmail.com
5- دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
6- مرکز ملی تحقیقات بیمه سلامت، تهران، ایران
7- گروه بهداشت مدارس، دانشکده علوم پزشکی اسدآباد، اسدآباد، ایران
2- گروه پژوهشی هوش مصنوعی، انفورماتیک و مدلسازی پزشکی، مرکز تحقیقات سرطان پستان، پژوهشگاه ملی سرطان، جهاد دانشگاهی، تهران، ایران
3- گروه طب سالمندی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، ایران
4- ،
5- دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
6- مرکز ملی تحقیقات بیمه سلامت، تهران، ایران
7- گروه بهداشت مدارس، دانشکده علوم پزشکی اسدآباد، اسدآباد، ایران
چکیده: (43 مشاهده)
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.
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.
واژههای کلیدی: بیماری آلزایمر، تجویز دارو، دادهکاوی، قوانین انجمنی، Apriori، FP-Growth، نسخههای بیمه سلامت
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1405/2/8 | ویرایش نهایی: 1405/3/16 | پذیرش: 1405/3/10
دریافت: 1405/2/8 | ویرایش نهایی: 1405/3/16 | پذیرش: 1405/3/10
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |