ایجاد یک مدل پیش­ آگهی مبتنی بر داده­ کاوی برای پیش­ بینی عود مجدد سرطان پستان

نویسندگان

بهزاد کیانی

behzad kiani علیرضا آتشی

alireza atashi cancer informatics department, breast cancer research center, acecr, iranگروه پژوهشی انفورماتیک سرطان، مرکز تحقیقات سرطان پستان جهاد دانشگاهی، ایران

چکیده

مقدمه: سرطان پستان یکی از شایع ترین انواع سرطان و شایع ترین نوع بدخیمی در زنان ایرانی است که اخیرا روند رو به رشدی داشته است. در مبتلایان به این بیماری همواره احتمال عود مجدد وجود دارد. عوامل زیادی میزان این احتمال را افزایش یا کاهش می دهند. داده کاوی از روش هایی است که در تشخیص یا پیش بینی سرطان ها به کار می رود و یکی از بیشترین کاربردهای آن، پیش بینی عود مجدد سرطان است. روش: در این مطالعه گذشته نگر، از داده های 809 بیمار مبتلا به سرطان پستان و دارای هیجده ویژگی برای هر بیمار، استفاده شده است. به دلیل گمشدگی نسبتاً زیاد داده های این مجموعه، تنها اطلاعات 665 بیمار قابل استفاده بودند. به دلیل وجود مقادیر تهی در رکوردهای باقیمانده، این مقادیر از طریق الگوریتم em و با استفاده از نرم افزار spss.v20، به عنوان یکی از فازهای پیش پردازش و آماده-سازی داده ها، تخمین زده شده و در پایان، یک مدل پیش آگهی عود مجدد سرطان پستان در بین بیماران با به کارگیری درخت j48 بر روی داده ها ارائه شده است. نتایج: ویژگی و حساسیت مدل توسعه یافته به ترتیب 53 و 85 درصد بود. این مدل، تنها 14 درصد از بیماران دچار عود مجدد را به اشتباه، مستعد عود مجدد نمی داند. نتیجه گیری: ایجاد مدل پیش بینی با ویژگی و حساسیت مناسب می تواند در مورد عود بیماری و انجام به موقع اقدامات پیشگیرانه برای جلوگیری از پیشرفت سرطان، هشدار مناسب را به بیماران بدهد. درصد منفی کاذب نیز در مدل های پیش بینی پزشکی بسیار اهمیت دارد، زیرا می تواند عواقب خطرناکی داشته باشد که در پژوهش حاضر این مقدار 14 درصد بوده که از لحاظ مدلینگ مقدار قابل قبولی به نظر می رسد.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

پیش بینی عود مجدد سرطان پستان به کمک سه تکنیک داده کاوی

مقدمه: تعداد و اندازه پایگاه داده های پزشکی به سرعت در حال افزایش است و مدل های توسعه یافته تکنیک داده کاوی می توانند برای پزشکان جهت کمک در تصمیم گیری موثر و کاربردی باشند. هدف اصلی از این مقاله، گزارش یک پروژه تحقیقاتی به منظور مقایسه الگوریتم های مختلف داده کاوی از طریق مقایسه حساسیت، ویژگی و دقت بین آنها، جهت انتخاب دقیق ترین مدل برای پیش بینی عود مجدد سرطان پستان در زنان مبتلا بوده است. د...

متن کامل

پیش بینی عود مجدد سرطان پستان به کمک سه تکنیک داده کاوی

مقدمه: تعداد و اندازه پایگاه داده های پزشکی به سرعت در حال افزایش است و مدل های توسعه یافته تکنیک داده کاوی می توانند برای پزشکان جهت کمک در تصمیم گیری موثر و کاربردی باشند. هدف اصلی از این مقاله، گزارش یک پروژه تحقیقاتی به منظور مقایسه الگوریتم های مختلف داده کاوی از طریق مقایسه حساسیت، ویژگی و دقت بین آنها، جهت انتخاب دقیق ترین مدل برای پیش بینی عود مجدد سرطان پستان در زنان مبتلا بوده است. در...

متن کامل

مروری بر ۷ الگوریتم برتر داده کاوی در پیش بینی بقا، تشخیص و عود بیماران مبتلا به سرطان پستان

چکیده مقدمه: پیش بینی تشخیص، بقا و عود بیماران مبتلا به سرطان پستان، همواره از چالش های مهم برای محققین و پزشکان بوده است. امروزه به مدد علوم بیوانفورماتیک، امکان رفع این چالش ها با بهره گیری از اطلاعات قبلی ثبت شده از بیماران تا حدود زیادی محقق گردیده است. با تکنولوژی های کم هزینه سخت افزاری و نرم افزاری، داده ها با کیفیت بهتر و در حجم های بالاتر به صورت خودکار ذخیره می گردند و به کمک تجزیه و ...

متن کامل

آینده پژوهی در سلامت: انتخاب بهترین مدل هوشمند مبتنی بر داده کاوی برای پیش بینی و تشخیص سرطان کبد در مراحل اولیه

مقدمه: سرطان اولیه کبد HCC)) پنجمین سرطان شایع در دنیا و سومین عامل مرگ و میر در جهان می­باشد. علائم سرطان کبد پس از بروز به سرعت پیشرفت کرده و در صورت عدم تشخیص به موقع متأسفانه بقای عمر بیمار بسیار کم می­ گردد. یکی از مشکلات اصلی پیش روی متخصصین گوارش، پیش بینی و تشخیص زود هنگام سرطان کبد است. داده کاوی از روش­هایی است که در این زمینه  مورد استفاده واقع می­ گردد. هدف از انجام این مطالعه معرفی...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید


عنوان ژورنال:
مجله انفورماتیک سلامت و زیست پزشکی

جلد ۱، شماره ۱، صفحات ۲۶-۳۱

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023