fa مدل سازی تصمیم برای تشخیص و غربالگری سرطان اپی تلیال تخمدان فناوری اطلاعات سلامت Health Information Technology پژوهشی اصيل Original Research <div style="text-align: justify;"><strong>زمینه و هدف: </strong>سرطان اپیتلیال تخمدان یکی از کشنده ترین انواع سرطانهای زنان می باشد. لذا هدف این مطالعه بررسی و استخراج فاکتورهای موثر در پیش بینی و تشخیص این نوع از سرطان در قالب مدل درخت تصمیم به منظور تسهیل تشخیص در حوزه ی سرطان تخمدان است.<br> <strong>روش بررسی:</strong> پژوهش حاضر از نوع مطالعه ی توصیفی توسعه ای است. ابزار اصلی پژوهش، چک لیستی براساس اطلاعات پرونده ها، منابع معتبر علمی، مرور مطالعات منتشر شده و نظر خبرگان بود. به منظور تعیین روایی محتوایی چک لیست از روش CVR استفاده شد. سپس، چک لیست با معیار لیکرت سه گزینه ای برای نظر سنجی در اختیار خبرگان این رشته قرار گرفت. در نهایت به منظور طراحی درخت تصمیم، پس از تجزیه و تحلیل نتایج به دست آمده از نظرسنجی خبرگان، مدل نهایی براساس این نتایج توسعه یافت.&nbsp;<br> <strong>یافته ها:</strong> عناصر داده ای درخت تصمیم براساس نظرسنجی متخصصان، گایدلاین ها و دستورالعملهای تشخیص و غربال گری مرتبط با سرطان تخمدان به دست آمد. گره های برگ در درخت مذکور شامل انواع تومورمارکرها، پیگیری، اقدامات درمانی و ارجاعات می باشند. صحت درخت تصمیم توسط خبرگان تایید شد. ROMA(CA125+HE4) ،CA19-9 و CEA مهمترین تومور مارکرهایی است که براساس مدل تصمیم به دست آمد.<br> <strong>نتیجه گیری: </strong>مدلهای تصمیم بالینی می توانند با ایجاد یکپارچگی در اطلاعات بیمار، به ارایه پیشنهادهای تشخیصی و درمانی خاص بپردازند. مدل طراحی شده در این پژوهش می تواند با تسهیل تصمیم گیری، تشخیص بیماری سرطان اپیتلیال تخمدان را به طور قابل ملاحظه ای بهبود بخشد.</div> <div style="text-align: justify;"><strong>Background and Aim:</strong> The Ovarian epithelial cancer is one of the most deadly types of cancers in women.Thus, the purpose of this study was to investigate the most effective factors in predicting and detecting Ovarian cancer in the form of a decision tree to facilitate the Ovarian cancer diagnosis.<br> <strong>Materials and Methods:</strong> The present study was a descriptive-developmental study. The main research tool applied in this study was a checklist which was designed based on the medical records, published studies, scientific references, and expert consultation.To determine the content validity of the checklist, the CVR method was applied. Next, survey research was done with aid of Likert-based checklist based on expert opinions in gynecology. Finally, to develop the decision tree, the results of the expert survey were analyzed and the final model was implemented based on the survey results.<br> <strong>Results: </strong>The data elements of final decision tree were derived from the result of expert surveys, guidelines, clinical pathways and strategies in context of diagnosis and screening of Ovarian cancer. The leaf nodes in the tree include different types of tumor markers, following up, therapeutic measures, and referrals. The accuracy of the decision tree was approved by the experts. The most important tumor markers that obtained from the decision model in this study were CA19-9, ROMA (CA125 + HE4) and CEA.<br> <strong>Conclusion:</strong> Clinical decision models can provide specific diagnosis and therapeutic suggestions by creating patient information integration framework. The model developed in this study can improve the diagnosis of epithelial Ovarian cancer considerably by facilitating decision making.</div> مدل های تصمیم بالینی, نئوپلاسم تخمدان, اپی تلیال, ریسک فاکتور Clinical Decision Model, Ovarian Neoplasm, Epithelium, Risk Factors 44 52 http://payavard.tums.ac.ir/browse.php?a_code=A-10-1-307&slc_lang=fa&sid=1 Reza Safdari رضا صفدری No Professor, Health Information Management Department, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran استاد گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Leila Shahmoradi لیلا شاهمرادی No Associate Professor, Health Information Management Department, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran دانشیار گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Marjan Daneshvar مرجان دانشور No Fellowship of gyncology, Internal Medicine Department, Imam Khomeini Hospital, Karaj, Iran متخصص زنان زایمان، گروه داخلی، بیمارستان امام خمینی، کرج، ایران Elmira Pourtorkan المیرا پورترکان elmirapt@yahoo.com Yes Master of Science in Medical Informatics, Health Information Management Department, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran کارشناس ارشد فناوری اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Mersa Gholamzadeh مرسا غلامزاده No Master of Sciences Student in Health Information Technology, Health Information Management Department, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran دانشجوی کارشناسی ارشد انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران