S'abonner

Early Stage Chronic Kidney Disease Diagnosis by Applying Data Mining Methods to Urinalysis, Blood Analysis and Disease History - 04/11/18

Doi : 10.1016/j.irbm.2018.09.004 
S.B. Akben
 Bahce Vocational School, Osmaniye Korkut Ata University, Osmaniye, Turkey 

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 6
Iconographies 4
Vidéos 0
Autres 0

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

A new automatic diagnosis method has been proposed to early stage chronic kidney disease.
Data of the urine and blood tests and symptoms were classified by data processing methods.
Results showed that the data processing methods are useful for automatic diagnosis of early stage CKD.
By using the new diagnosis method it has been identified that which age range is more important to diagnosis.

Le texte complet de cet article est disponible en PDF.

Abstract

Background

Chronic kidney disease (CKD) is a disorder associated with breakdown of kidney structure and function. CKD can be diagnosed in its early stage only by experienced nephrologists and urologists (medical experts) using the disease history, symptoms and laboratory tests. There are few studies related to the automatic diagnosis of CKD in the literature. However, these methods are not adequate to help the medical experts.

Methods

In this study, a new method was proposed to automatically diagnose the chronic kidney disease in its early stage. The method aims to help the medical diagnosis utilizing the results of urine test, blood test and disease history. Classification algorithms were used as the data mining methods. In the method section of the study, analysis data were first subjected to pre-processing. In the first phase of the method section of the study, pre-processing was applied to CKD data. K-Means clustering method was used as the pre-processing method. Then, the classification methods (KNN, SVM, and Naïve Bayes) were applied to pre-processed data to diagnose the CKD.

Results

Highest success rate obtained by classification methods is 97.8% (98.2% for ages 35 and older). This result showed that the data mining methods are useful for automatic diagnosis of CKD in its early stage.

Conclusion

A new automatic early stage CKD diagnosis method was proposed to help the medical doctors. Attributes that would provide the highest diagnosis success rate were the use of specific gravity, albumin, sugar and red blood cells together. Also, the relation between the success rate of automatic diagnosis method and age was identified.

Le texte complet de cet article est disponible en PDF.

Keywords : Chronic Kidney Disease (CKD), Kidney disease diagnosis, Data mining, Machine learning


Plan


© 2018  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 39 - N° 5

P. 353-358 - novembre 2018 Retour au numéro
Article précédent Article précédent
  • Precise Cobb Angle Measurement System Based on Spinal Images Merging Function
  • S. Lee, J.S. Lee, J.P. Kim, K. Kim, C.H. Hwang, K.-i. Koo
| Article suivant Article suivant
  • Computerised Decision Support System for Remote Health Monitoring: A Systematic Review
  • N. Shanmathi, M. Jagannath

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.