جستجو در مقالات منتشر شده


4 نتیجه برای درخت تصمیم
پیش بینی روش درمان بیماری قلبی با استفاده از الگوریتم های داده کاوی
سجاد مظاهری، مریم عاشوری، زینب بچاری،
دوره 11، شماره 3 - ( 6-1396 )
چکیده
زمینه و هدف: امروزه بیماری قلبی بسیار معمول و یکی از دلایل اصلی مرگ و میر به شمار می رود. به همین علت تشخیص درست و به موقع این بیماری بسیار مهم است. روش های تشخیصی و درمانی این بیماری عوارض جانبی زیاد و پرهزینه ای دارد. بنابراین محققان به دنبال روش های ارزان و با دقت بالا برای تشخیص این بیماری هستند. پژوهش حاضر با هدف شناسایی الگویی برای تشخیص روش درمان بیماری قلبی صورت گرفته است.
روش بررسی: پژوهش حاضر به روش توصیفی- مقطعی صورت گرفته و نمونه گیری به روش سرشماری بوده است. جامعه ی پژوهش متشکل از داده های بیمارستان های خاتم الانبیاء(ع) و علی ابن ابی طالب(ع) زاهدان است که با مراجعه ی مستقیم پژوهش گر به سازمان حاصل و به صورت فایل اکسل تهیه گردید. جهت تحلیل داده ها از نرم افزار Clementine۱۲.۰ استفاده شده است. در پژوهش حاضر الگوریتم های C‏HAID ،C&R Tree ،C۵.۰ و QUEST و شبکه عصبی مصنوعی روی مجموعه داده اجرا گردید. 
یافته ها: مقدار صحت ۷۶/۰۴ توسط الگوریتم C&R Tree نشان دهنده ی عملکرد بهتر الگوریتم های درخت تصمیم نسبت به شبکه ی عصبی است. 
نتیجه گیری: هدف این مطالعه ارایه مدلی برای پیش بینی روش درمانی مناسب بیماری قلبی به منظور کاهش هزینه های درمان و کیفیت ارایه خدمات بهتر به پزشکان می باشد. با توجه به قابل ملاحظه بودن خطرات اجرای روش های تشخیص تهاجمی مانند آنژیوگرافی و نیز حصول تجارب موفقیت آمیز داده کاوی در پزشکی، این مطالعه مدلی مبتنی بر تکنیک های داده کاوی ارایه نموده است. نقطه ی قابل بهبود مدل فوق ارایه سیستمی تصمیم یار جهت کمک به پزشکان برای افزایش صحت تشخیص روش درمان بیماری می باشد.

مقایسه‌ی الگوریتم‌های داده کاوی برای تشخیص بیماری کبد
محمدرضا شهرکی، محبوبه مسگر،
دوره 13، شماره 1 - ( 2-1398 )
چکیده
زمینه و هدف: کبد به‌عنوان یکی از بزرگ‌ترین اندام‌های داخلی بدن، وظیفه‌­ی انجام اعمال حیاتی مختلفی ازجمله تصفیه و پالایش خون، تنظیم هورمون‌های بدن، ذخیره­ی گلوکز و ... را در بدن به عهده دارد. بنابراین اختلال در کارکرد آن مشکلات گاه جبران‌ناپذیری به دنبال خواهد داشت. لذا پیش‌بینی به‌موقع این بیماری‌ به درمان‌های اولیه و مؤثر آن کمک می‌کند. با توجه به اهمیت بیماری‌ کبد و افزایش تعداد مبتلایان، مطالعه­‌ی حاضر با هدف پیش‌بینی بیماری‌ کبد با استفاده از الگوریتم‌های داده‌کاوی صورت گرفت.
روش بررسی: این پژوهش از نوع توصیفی بوده و با استفاده از 721 داده­‌ی جمع‌آوری‌شده از بیماران کبدی شهر زاهدان انجام‌شده است. در این بررسی پس از پیش‌پردازش داده‌ها، تکنیک‌های داده کاوی از قبیل ماشین بردار پشتیبان، CHAID، Exhaustive CHAID و C5.0 تقویت‌شده در نرم‌افزار IBM SPSS Modeler 18 بررسی، مقایسه و تحلیل‌شده است.
یافته‌ها: یافته‌ها نشان داد که الگوریتم C5.0 تقویت‌شده با دقت 94/09 درصد، الگوریتم Exhaustive CHAID با دقت 88/71 درصد، ماشین بردار پشتیبان با دقت 87/09 درصد و الگوریتم CHAID با دقت 85/47 درصد بیماری کبد را پیش‌بینی کردند. بنابراین بهترین الگوریتم از لحاظ دقت عملکرد، الگوریتم C5.0 تقویت‌شده شناخته شد.
نتیجه‌گیری: با توجه به دقت الگوریتم C5.0 تقویت‌شده و قوانین حاصل از آن، برای یک نمونه­‌ی جدید با ویژگی‌های مشخص، می‌توان احتمال ابتلای فرد به بیماری‌ کبد را با دقت قابل قبولی پیش‌بینی کرد.

تشخیص ابتلا به سرطان پستان با استفاده از روش‌های درخت تصمیم، شبکه عصبی و بیز ساده به‌منظور ارایه مدل بومی ویژه استان فارس
آزیتا یزدانی، علی اصغر صفایی، رضا صفدری، مریم زحمت کشان،
دوره 13، شماره 3 - ( 6-1398 )
چکیده
زمینه و هدف: سرطان پستان شایع‌‌ترین سرطان و اصلی‌ترین علت مرگ ناشی از سرطان در زنان سراسر جهان به­‌شمار می‌رود. تکنولوژی‌هایی مثل داده کاوی، به متخصصان این حوزه، امکان بهبود تصمیم‌گیری را در زمینه­ی تشخیص زودهنگام فراهم آورده‌اند. هدف از این پژوهش توسعه­‌ی مدل تشخیص‌ خودکار سرطان پستان با به­‌کارگیری روش‌های داده کاوی و انتخاب مدل بومی ویژه بیماران استان فارس با بالا‌ترین دقت تشخیص می‌باشد.
روش بررسی: در این مطالعه، تعداد 654 پرونده در دسترس از بیماران کلینیک تخصصی سرطان پستان مطهری شیراز به­‌عنوان نمونه مورد استفاده قرار گرفت که بعد از عملیات پیش پردازش این تعداد به 621 پرونده کاهش یافت. برای هر کدام از نمونه­‌ها دارای 22 ویژگی در پرونده پزشکی ثبت شده بود که در نهایت 10 ویژگی تاثیر‌گذار در ساخت مدل استفاده شد. از سه روش درخت تصمیم، بیز ساده و شبکه عصبی مصنوعی به­‌منظور تشخیص ابتلا به سرطان پستان و روش 10-fold cross-validation برای ساخت و ارزیابی مدل بر روی مجموعه داده­‌ی جمع‌­آوری شده بهره گرفته شد.
 یافته‌ها: نتایج به­‌دست آمده از سه تکنیک ذکر شده نشان داد که هر سه مدل، نتایج امیدبخشی در تشخیص این سرطان دارند. در نهایت، شبکه عصبی مصنوعی، بالا‌ترین دقت 94/49%(حساسیت 96/19%، ویژگی 86/36%)، در تشخیص ابتلا به سرطان پستان به خود اختصاص داد.
نتیجه گیری: بر طبق نتایج حاصل از درخت تصمیم ایجاد شده، ریسک فاکتورهایی چون سن، وزن، سن شروع قاعدگی، یائسگی، مدت زمان مصرف OCP و سن اولین بارداری از جمله عوامل موثر در ابتلای زنان به سرطان پستان در استان فارس شناخته شدند.

تشخیص ابتلا به سرطان پستان با بهره‌گیری از یادگیری ماشین
کسری دولت خواهی، عادل آذر، تورج کریمی، محمد هادیزاده،
دوره 15، شماره 4 - ( 7-1400 )
چکیده
زمینه و هدف: سرطان و به‌طور جزیی سرطان پستان در زمره بیماری‌هایی به‌شمار می‌روند که در ایران پس از بیماری‌های قلبی بیش‌ترین آمار مرگ ومیر را به خود اختصاص داده است. پیش‌بینی صحیح سرطان پستان دارای اهمیت است و وجود علایم و ویژگی‌های مختلف این بیماری، تشخیص را برای پزشکان دشوار می‌کند. هدف این پژوهش، شناسایی عوامل موثر بر سرطان پستان و تشخیص احتمال ابتلا به سرطان پستان است.
روش بررسی: در مطالعه‌ی حاضر، ابتدا به روش تحلیل محتوا و مطالعات کتابخانه‌ای، عوامل تاثیرگذار در ابتلا به سرطان پستان شناسایی شده سپس با همراهی تیم خبرگان مشتمل بر پزشکان متخصص و یا دارای فوق‌تخصص سرطان‌شناسی و جراحی پستان با کمک روش دلفی، تعدیل گردیده و ۲۶ عامل نهایی که به‌صورت عددی صحیح و رشته‌ای بودند براساس شرایط بومی و اقلیمی تایید شدند. در ادامه و با توجه به عوامل نهایی و براساس پرونده پزشکی ۵۲۰۸ بیمار در مرکز تحقیقات سرطان دانشگاه علوم پزشکی و خدمات بهداشتی درمانی شهید‌بهشتی به منظور تشخیص ابتلا به سرطان از روش‌های درخت تصمیم (Decision Tree)، جنگل تصادفی (Random Forest) و ماشین‌بردار پشتیبان (Support Vector Machine) به‌عنوان روش‌های یادگیری ماشین بهره گرفته شد.
یافته‌ها: در گام نخست و با روش تحلیل محتوا، ۲۹ عامل تاثیرگذار در ابتلا به سرطان پستان شناسایی شد. در ادامه و با در نظر گرفتن شرایط بومی و اقلیمی و با استفاده از روش دلفی و با بهره‌گیری از نظرات ۱۸ خبره در طی سه دوره، ۲۶ عامل تعدیل و نهایی شد. در گام نهایی و با استفاده از پرونده پزشکی مراجعه‌کنندگان که در طی ۳ سال گردآوری شده و معیارهای استخراج‌شده از سه روش ذکر شده، جنگل تصادفی، بیشترین دقت به میزان ۹۴/۷۵% و صحت ۹۷/۲۶% را در تشخیص ابتلا به سرطان پستان به خود اختصاص داد، که این میزان در قیاس با سایر پژوهش‌های مشابه که از پایگاه‌‌های داده بومی بهره گرفته‌اند، دقت‌های به‌دست آمده بسیار نزدیک به کارهای پیشین بوده و در بعضی موارد نیز دقت بهتری داشته است.
نتیجه‌گیری: با استفاده از روش جنگل تصادفی و با بهره‌گیری از عوامل تاثیرگذار بر سرطان پستان، قابلیت تشخیص ابتلا به سرطان با بیشترین دقت فراهم شده است.

صفحه 1 از 1     

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

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2024 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb