جستجو در مقالات منتشر شده


۲ نتیجه برای نوپور

رئوف نوپور، محمد شیرخدا، شراره رستم نیاکان کلهری،
دوره ۱۴، شماره ۲ - ( خرداد و تیر ۱۳۹۹ )
چکیده

زمینه و هدف:سرطان کولورکتال از شایع­ترین سرطان­های دستگاه گوارش در انسان و مهم­ترین عامل مرگ و میر در جهان محسوب می­شود. استفاده از برنامه ­ی غربال­گری مناسب بر اساس میزان خطر ابتلا به سرطان کولورکتال در افراد، می­تواند در پیشگیری از این بیماری مناسب باشد. بنابراین، هدف این پژوهش طراحی مدلی برای غربال­گری سرطان کولورکتال بر اساس ریسک فاکتورها بود تا بتوان از یک سو میزان بقای این بیماری را در سطح جامعه افزایش داد و از سوی دیگر میزان مرگ و میر کاهش یابد.
روش بررسی: ابتدا با مرور مقالات و بررسی اطلاعات موجود در پرونده بیماران، ۳۸ ریسک فاکتور کشف شدند، برای تعیین مهم­ترین ریسک فاکتورها از بعد بالینی، ازcontent validity ratio (CVR) و از نظر آماری و با توجه به مجموعه داده گرد­آوری شده از روش­های آماری ضریب همبستگی اسپیرمن و تحلیل رگرسیون لجیستیک استفاده گردید. سپس از چهار الگوریتم تولید قوانین J-۴۸، J-RIP، PART و REP-Tree برای داده­کاوی استفاده شد و مناسب­ترین مدل بر اساس مقایسه میزان عملکرد الگوریتم‌­ها به‌­دست آمد.
یافته‌­ها: پس از مقایسه عملکرد الگوریتم‌­ها، الگوریتم داده­‌کاوی J-۴۸ با میزان F-Measure ۰/۸۸۹، عملکرد بالاتری نسبت به سایر الگوریتم­‌ها داشته است.
نتیجه­‌گیری: نتایج حاصل از ارزیابی عملکرد الگوریتم داده­‌کاوی J-۴۸ نشان داد که این الگوریتم می‌­تواند به عنوان مناسب­ترین مدل تعیین خطر ابتلا به سرطان کولورکتال در نظر گرفته شود.

مصطفی شنبه زاده، هادی کاظمی آرپناهی، رئوف نوپور،
دوره ۱۶، شماره ۲ - ( خرداد ۱۴۰۱ )
چکیده

زمینه و هدف: سرطان پستان یکی از رایج‌ترین و تهاجمی‌ترین بدخیمی‌ها در خانم‌ها می‌باشد. تشخیص به‌موقع سرطان پستان نقش مهمی در جلوگیری از پیشرفت این بیماری، اقدامات درمانی به‌موقع و در نتیجه کاهش میزان مرگ‌ومیر این بیماران دارد. یادگیری ماشین، قابلیت بالایی در تشخیص سریع و هزینه اثربخش بیماری‌ها دارد. هدف این مطالعه، طراحی سیستم تصمیم‌یار بالین (CDSS) Clinical Decision Support System بر اساس قوانین استخراج‌شده از الگوریتم منتخب درخت تصمیم با بهترین عملکرد به‌منظور تشخیص به‌موقع و مؤثر سرطان پستان است.
روش بررسی: داده‌های ۵۹۷ فرد مشکوک به سرطان پستان(۲۵۵ بیمار مبتلا و ۳۴۲ فرد سالم) به‌صورت گذشته‌نگر از پایگاه داده الکترونیکی بیمارستان آیت‌الله طالقانی شهر آبادان در قالب ۲۴ ویژگی عمدتاً سبک زندگی و سوابق پزشکی استخراج شد. پس از انتخاب مهم‌ترین متغیرها از طریق کای دو پیرسون و تحلیل واریانس یک‌طرفه(۰/۰۵>P)، عملکرد الگوریتم‌های منتخب داده‌کاوی شامل (Random Forest (RF)، J-۴۸، Decision Stump (DS)، Rep-Tree (RT و XG-Boost برای تشخیص سرطان پستان در بستر نرم‌افزار ۳.۴ Weka تحلیل شد. در نهایت سیستم تشخیصی سرطان پستان بر اساس بهترین مدل و از طریق زبان برنامه‌نویسی سی شارپ و چارچوب ۳.۵.۴ Dot Net Framework طراحی گردید.
یافته‌ها: ۱۴ متغیر شامل سابقه‌ی فردی سرطان پستان، سابقه‌ی نمونه‌برداری از سینه، سابقه‌ی رادیوگرافی از قفسه‌ی سینه، سابقه‌ی فشارخون، افزایش کلسترول خون LDL (low-density lipoprotein)، وجود توده در ربع فوقانی داخلی سینه، هورمون‌درمانی با استروژن، هورمون‌درمانی با استروژن-پروژسترون، سابقه‌ی خانوادگی سرطان پستان، سن، سابقه‌ی سرطان‌های دیگر، نسبت اندازه‌ی دور کمر به دور باسن و مصرف میوه و سبزی ارتباط معناداری را باکلاس خروجی در سطح ۰۵/۰>P نشان دادند. بر اساس نتایج حاصل از ارزیابی عملکرد الگوریتم‌های منتخب، مدل RF با میزان حساسیت، ویژگی، صحت و اندازه F به‌ترتیب برابر با ۰/۹۷، ۰/۹۹، ۰/۹۸ و ۰/۹۷۴ و ۰/۹۳۶ =(Area Under the Receiver Operator Characteristics (ROC) Curve (AUC عملکرد بالاتری نسبت به سایر الگوریتم‌های منتخب داشته است و به‌عنوان مدل برتر برای تشخیص سرطان پستان پیشنهاد شد.
نتیجه‌گیری: به‌نظر می‌رسد که استفاده از متغیرهای تعدیل‌پذیر مانند سبک زندگی و ویژگی‌های هورمونی-تولیدمثلی به‌عنوان ورودی الگوریتم RF برای طراحی CDSS بتواند با صحت بهینه موارد سرطان پستان را تشخیص دهد. به‌علاوه سیستم پیشنهادی به‌طور مؤثر در محیط‌های واقعی بالینی برای تشخیص سریع و مؤثر بیماری قابل اقتباس باشد.


صفحه ۱ از ۱     

کلیه حقوق این وب سایت متعلق به پیاورد سلامت می باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2025 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb