Finding hidden patterns of hospital infections on the newborn in Turkey: A data mining approach

Abstract

Her geçen gün görülme sıklığı artan hastane enfeksiyonları, önemli derecede morbidite, mortalite ve ekonomik yüklere neden olmakta ve yalnızca sağlık sektörünü değil, tüm toplumu ilgilendirmektedir. Bazı sağlık merkezlerinde hastane enfeksiyonları veri madenciliği uygulamalarını kapsayan daha kontrollü ve kapsamlı sürveyans yöntemleriyle takip edilebilmektedir. Bu uygulamalarda veri madenciliği yöntemleri kolaylıkla belirlenemeyen salgınların tespitinde kullanılmaktadır.Bu çalışmada, yenidoğan yoğun bakım ünitesindeki hastane enfeksiyonlarının tespit edilmesi için veri madenciliği yöntemlerinin uygulaması sunulmaktadır. Veri seti Eskişehir Osmangazi Üniversitesi, Tıp Fakültesi, Klinik Mikrobiyoloji ve Enfeksiyon Hastalıkları Bölümü tarafından hazırlanmıştır. Basit ve çapraz doğrulama yöntemleri ile karar ağaçları, yapay sinir ağları ve lojistik regresyon sınıflandırma modelleri kurulmuştur. Model karşılaştırmada doğruluk ve duyarlılık oranları dikkate alınmıştır. Doğruluk oranını arttırmak amacıyla karar ağaçları ve yapay sinir ağları modellerinde bagging ve boosting yöntemleri uygulanmıştır.Sonuçlara göre, antibiyotik ve üriner kateter kullanımı, periferik kateter kullanım süresi, enteral ve total parenteral beslenme süreleri ve doğum ağırlığının gestasyonel yaşa oranı önemli risk faktörleri arasındadır. Yapay sinir ağları, test setinde %83 doğruluk ve %30 duyarlılık oranı ile hastane enfeksiyonları tespitinde başarılı olmuştur. Bunun yanında boosting yöntemi yapay sinir ağlarında duyarlılık oranının %44'e çıkmasını sağlamıştır.

The increasing number of hospital infections with considerable morbidity, mortality and economic burden attracts the attention of not only the health-care environment, but also the whole society. In some medical centers, hospital infections are traced with more controlled and extensive surveillance methods, which adopt data mining applications. Data mining methods are applied to find the outbreaks, which cannot be determined easily by infection control teams.This study presents an application of data mining methods for hospital infection detection in a newborn intensive care unit. The data set is provided by Department of Clinical Microbiology and Infectious Diseases, Eskişehir Osmangazi University, Faculty of Medicine. Decision tree, neural network and logistic regression classification models are built with holdout sampling and cross validation. In model comparison, accuracy and sensitivity measures are taken into consideration. Bagging and boosting methods are applied on neural network and decision trees in order to increase the performance of these models.According to the results, antibiotics and urinary catheter usage, peripheral catheter duration, enteral and total parenteral nutrition durations, and birth weight for gestational age are prominent risk factors. Among the models, neural network performs well on hospital infections detection representing 83% accuracy and 30% sensitivity on test data set. Furthermore, the sensitivity is improved with boosted neural network model to 44%.