fa طراحی سیستم هوشمند جهت پیش‌بینی بیماری‌های ژنتیکی کروموزومی با استفاده از تکنیک‌های داده کاوی ارتقاء سلامت و درمان بیماران در بیمارستان ارتقاء سلامت و درمان بیماران در بیمارستان مطالعه ی موردی Case Study <strong><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">زمینه و هدف:</span></span></strong><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;"> امروزه شاهد پیشرفت&shy;های شگرف در زمینه داده&shy;کاوی داده&shy;های پزشکی هستیم. داده&shy;هایی که با تجزیه و تحلیل و کشف روابط بین آنها می</span></span><span dir="LTR"><span style="font-family:Mit,serif;"><span style="font-size:12.0pt;">&shy;</span></span></span><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">توان به الگوریتم&shy;هایی رسید که در پیشگیری و یا درمان بسیاری از بیماری&shy;ها به ما کمک می&shy;کنند. در این بین بیماری&shy;های ژنتیکی بخش اعظمی از توجه دنیای پزشکی را به خود اختصاص داده&shy;اند زیرا تولد کودکان مبتلا به ناهنجاری&shy;های ژنتیکی بار مالی، روانی و عاطفی زیادی به جامعه تحمیل می&shy;کند. بنابراین هدف این مطالعه ارائه الگوریتمی به عنوان یک آزمایش غربالگری</span></span> <span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">&nbsp;ثانویه قبل از انجام تست&shy;های سلولی و مولکولی است. </span></span><br> <strong><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">مواد و روش</span></span></strong><strong><span dir="LTR"><span style="font-family:Mit,serif;"><span style="font-size:12.0pt;">&shy;</span></span></span></strong><strong><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">ها </span></span></strong><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">:در این تحقیق 1000 پرونده مربوط به زنان بارداری که بعد از آزمایشات غربالگری در گروه ریسک متوسط یا بالا قرار داشتند مورد مطالعه قرار گرفت. اطلاعات بالینی آنها ذخیره گردید، پاکسازی و حذف داده&shy;های و یکپارچه&shy;سازی رکوردها صورت گرفت سپس با استفاده از نرم&shy;افزار </span></span><span dir="LTR"><span style="font-family:Mit,serif;"><span style="font-size:12.0pt;">spss modeler</span></span></span><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">، داده&shy;کاوی و کشف روابط بین داده&shy;ها صورت گرفت و در انتها الگوریتم مناسب برای شناسایی بیماری&shy;های ژنتیکی مشخص گردید.</span></span><br> <strong><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">نتایج:</span></span></strong><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;"> با اعمال پنج الگوریتم، شبکه&shy;های عصبی، ماشین بردار پشتیبانی، درخت تصمیم دودویی، درخت تصمیم چندتایی و رگرسیون لجستیک بر روی داده&shy;ها، مشخص گردید الگوریتم شبکه&shy;های عصبی با دقت 97.522% بیشترین میزان موفقیت را در تشخیص بیماری&shy;های ژنتیکی </span></span><span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;">&ndash;</span></span><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;"> کروموزومی قبل از تولد را دارا می&shy;باشد.</span></span><br> <strong><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">نتیجه&shy;گیری</span></span></strong><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">:استفاده از الگوریتم شبکه های عصبی به عنوان یک آزمایش غربالگری سبب می&shy;گردد که تعداد افراد کمتری کاندید انجام تست</span></span><span dir="LTR"><span style="font-family:Mit,serif;"><span style="font-size:12.0pt;">&shy;</span></span></span><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">های پر&shy;هزینه و خطرناک سلولی و مولکولی قرار گیرند و می&shy;تواند به عنوان ابزاری در راستای کمک به کشف بیماری&shy;ها در دنیای پزشکی مورد استفاده قرار گیرد.</span></span> <strong>Background and Aim:</strong> Today we are witnessing tremendous advances in medical data mining. The data, by analyzing and discovering the relationships between them, can lead to algorithms that help us prevent or treat many diseases. Meanwhile, genetic diseases have attracted a large part of the attention of the medical world because the birth of children with genetic disorders imposes a great financial, psychological and emotional burden on society. Therefore, the aim of this study is to present an algorithm as a secondary screening test before performing cell and molecular tests.<br> &nbsp;<br> <strong>Material and Methods:</strong> In this study, 1000 cases of pregnant women who were in moderate or high risk group after screening tests were studied. Their clinical information was stored, missing data was deleted, and records were integrated. Then, using Clementine software, data mining and data correlation were performed, and finally a suitable algorithm for diagnosing the disease was performed. Genetic mutations were identified.<br> &nbsp;<br> <strong>Results: </strong>By applying five algorithms, neural networks, support vector machine, binary decision tree, multiple decision tree and logistic regression on the data, it was found that the neural network algorithm with 97.522% accuracy has the highest success rate in Diagnosis of genetic-chromosomal diseases before birth.<br> &nbsp;<br> <strong>Conclusion:</strong> The use of genetic algorithm as a screening test causes less people to be candidates for costly and dangerous cellular and molecular tests and can be used as a tool to help detect the disease. To be used in the medical world.<span dir="RTL"></span> الگوریتم های کلاس بندی, شبکه‌های عصبی, ناهنجاری کروموزومی, ماشین بردار پشتیبان Classification algorithms, Neural Networks, Chromosomal abnormalities, Support Vector Machine 55 65 http://jhosp.tums.ac.ir/browse.php?a_code=A-10-1595-1&slc_lang=fa&sid=1 Fariba Salahi فریبا صلاحی Yes Assistant Professor, Department of Industrial Management, Faculty of Management, Islamic Azad University, Electronic Branch, Tehran, Iran. Corresponding Author. Email:salahi_en@yahoo.com. استادیار گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد الکترونیکی، تهران، ایران. * نویسنده مسئول- ایمیل: salahi_en@yahoo.com Nastaran Farajpour نسترن فرج پور Nastaranfarajpour@gmail.com No Master of Advanced Information Systems Management, Faculty of Management, Islamic Azad University, Electronic Branch, Tehran, Iran. کارشناسی ارشد مدیریت سیستم های اطلاعاتی پیشرفته، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد الکترونیکی، تهران، ایران