ورود
مقالات فارسیISIکنفرانسهاژورنالها

طراحی سیستم پشتیبان برای پیش بینی بقای بیماران مبتلا به سرطان ملانوم مبتنی بر الگوریتم های داده کاوی

محل انتشار: فصلنامه تحقیقات نظام سلامت، دوره: 19، شماره: 2
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 111

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/1703739

شناسه ملی سند علمی:

JR_HSR-19-2_009

تاریخ نمایه سازی: 1 مرداد 1402

چکیده مقاله:

مقدمه: ملانوم از جمله شایع ترین سرطان های تشخیصی و دومین علت مرگ ناشی از سرطان در میان افراد است. این بیماری، نادرترین و بدخیم ترین نوع سرطان پوست به شمار می رود و در شرایط پیشرفته، توانایی انتشار به ارگان های داخلی را دارد و می تواند منجر به مرگ شود. چندین سال است که در ایران داده های قابل توجهی درباره ملانوم چه به صورت دستی و چه به شکل الکترونیکی، به علت شیوع آن و هزینه های بالایی که بر سیستم بهداشت و درمان کشور به جای می گذارد، جمع آوری شده، اما با وجود این داده های ارزشمند، سیستم بهداشتی هنوز از پتانسیل بالای داده کاوی در پیش بینی بقای بیماران مبتلا به ملانوم غافل مانده است. پژوهش حاضر با هدف طراحی سیستم هوشمند برای پیش بینی بقای بیماران مبتلا به ملانوم انجام شد. روش ها: این مطالعه از نظر ماهیت، کاربردی و از نظر روش، توصیفی- تحلیلی و گذشته نگر بود. جامعه تحقیق را بیماران مبتلا به سرطان ملانوم پایگاه داده مرکز تحقیقات کشوری سرطان وابسته به دانشگاه شهید بهشتی، واقع در بیمارستان شهدای تجریش (بین سال های ۱۳۸۷ تا ۱۳۹۲) که تا ۵ سال مورد پیگیری قرار گرفته بودند (۴۱۱۸ نفر)، تشکیل داد. برای طراحی سیستم پشتیبان پیش بینی بقای سرطان ملانوم، از نرم افزارهای SPSS و Weka استفاده شد. مدل نهایی پیش بینی بقای سرطان ملانوم بر اساس شاخص های ارزیابی الگوریتم های داده کاوی انتخاب گردید. یافته ها: الگوریتم های شبکه عصبی، Bayes ساده، Bayesian network (BN) و ترکیب درخت تصمیم گیری با Bayes ساده، رگرسیون لجستیک، J۴۸ و ID۳ به عنوان مدل های استفاده شده پایگاه داده کشور انتخاب شدند. بر اساس یافته ها، شبکه عصبی با مقدار ۹۷/۰ از لحاظ دقت و ۰۳/۹۱ از لحاظ ویژگی، عملکرد بهتری داشت. نتیجه گیری: عملکرد شبکه عصبی در همه شاخص های ارزیابی از لحاظ آماری نسبت به سایر الگوریتم های منتخب بالاتر بود. بنابراین، الگوریتم شبکه عصبی به عنوان سیستم پشتیبان پیش بینی بقای سرطان ملانوم انتخاب گردید.

کلیدواژه ها:

نویسندگان

فریناز صناعی

PhD Student, Department of Information Technology Management, School of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran

سید عبداله امین موسوی

Assistant Professor, Department of Industrial Management, School of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran

عباس طلوعی اشلقی

Professor, Department of Information Technology Management, School of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran

علی رجب زاده قطری

Professor, Department of Industrial Management, School of Management and Economics, Tarbiat Modares University, Tehran, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Dolfe R, Matinzadeh K. Investigating skin cancer with unsupervised learning. ...
  • Howlader N, Noone AM, Krapcho M, Miller D, Brest A, ...
  • Saad H, Nagarur N. Data mining techniques in predicting breast ...
  • Do T, Hoang T, Pomponiu V, Zhou Y, Chen Z, ...
  • Habif TP, Dinulos JG, Chapman MS, Zug KA. Skin disease: ...
  • Dorj UO, Lee KK, Choi JY, Lee M. The skin ...
  • Joshi A, Khosravy M, Gupta N. Machine learning for predictive ...
  • Saritas MM, Yasar A. Performance analysis of ANN and Naive ...
  • Chen S, Han C, Miao X, Li X, Yin C, ...
  • Lobo S, Pallavi MS. Predicting protein in cancer diagnosis using ...
  • Burd CE, Liu W, Huynh MV, Waqas MA, Gillahan JE, ...
  • Esmaili N, Mohagegi MA, Safayi Naraghi Z, Emami Razavi SZ, ...
  • Safaii Naraghi Z, Bahadori M, Ehsani AH, Robati RM, Ghiasi ...
  • Ebrahimzade Ardakani M, Akhavan Tafti M, Dehghanizade N. Survival analysis ...
  • Vahdani N, Haghi pour S, Shams Asr A. Intelligent and ...
  • Soria D, Garibaldi JM, Biganzoli E, Ellis IO. A comparison ...
  • Shaikh WR, Dusza SW, Weinstock MA, Oliveria SA, Geller AC, ...
  • Beenish H, Fahad M. Skin cancer prediction using data mining ...
  • Gamba CS, Clarke CA, Keegan TH, Tao L, Swetter SM. ...
  • Dolfe R, Matinzadeh K. Investigating skin cancer with unsupervised learning. ...
  • Howlader N, Noone AM, Krapcho M, Miller D, Brest A, ...
  • Saad H, Nagarur N. Data mining techniques in predicting breast ...
  • Do T, Hoang T, Pomponiu V, Zhou Y, Chen Z, ...
  • Habif TP, Dinulos JG, Chapman MS, Zug KA. Skin disease: ...
  • Dorj UO, Lee KK, Choi JY, Lee M. The skin ...
  • Joshi A, Khosravy M, Gupta N. Machine learning for predictive ...
  • Saritas MM, Yasar A. Performance analysis of ANN and Naive ...
  • Chen S, Han C, Miao X, Li X, Yin C, ...
  • Lobo S, Pallavi MS. Predicting protein in cancer diagnosis using ...
  • Burd CE, Liu W, Huynh MV, Waqas MA, Gillahan JE, ...
  • Esmaili N, Mohagegi MA, Safayi Naraghi Z, Emami Razavi SZ, ...
  • Safaii Naraghi Z, Bahadori M, Ehsani AH, Robati RM, Ghiasi ...
  • Ebrahimzade Ardakani M, Akhavan Tafti M, Dehghanizade N. Survival analysis ...
  • Vahdani N, Haghi pour S, Shams Asr A. Intelligent and ...
  • Soria D, Garibaldi JM, Biganzoli E, Ellis IO. A comparison ...
  • Shaikh WR, Dusza SW, Weinstock MA, Oliveria SA, Geller AC, ...
  • Beenish H, Fahad M. Skin cancer prediction using data mining ...
  • Gamba CS, Clarke CA, Keegan TH, Tao L, Swetter SM. ...
    • نمایش کامل مراجع