fa تشخیص ابتلا به سرطان پستان با استفاده از روش‌های درخت تصمیم، شبکه عصبی و بیز ساده به‌منظور ارایه مدل بومی ویژه استان فارس مدیریت خدمات بهداشتی درمانی Hospital Managment پژوهشی اصيل Original Research <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="font-size:12.0pt;">زمینه و هدف:</span></strong> <span style="font-size:12.0pt;">سرطان پستان شایع‌‌ترین سرطان و اصلی‌ترین علت مرگ ناشی از سرطان در زنان سراسر جهان به&shy;‌شمار می‌رود. تکنولوژی‌هایی مثل داده کاوی، به متخصصان این حوزه، امکان بهبود تصمیم‌گیری را در زمینه&shy;ی تشخیص زودهنگام فراهم آورده‌اند. هدف از این پژوهش توسعه&shy;‌ی مدل تشخیص‌ خودکار سرطان پستان با به&shy;‌کارگیری روش‌های داده کاوی و انتخاب مدل بومی ویژه بیماران استان فارس با بالا‌ترین دقت تشخیص می‌باشد.</span><br> <strong><span style="font-size:12.0pt;">روش بررسی:</span></strong> <span style="font-size:12.0pt;">در این مطالعه، تعداد 654 پرونده در دسترس از بیماران کلینیک تخصصی سرطان پستان مطهری شیراز به&shy;‌عنوان نمونه مورد استفاده قرار گرفت که بعد از عملیات پیش پردازش این تعداد به 621 پرونده کاهش یافت. برای هر کدام از نمونه&shy;‌ها 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 به&shy;‌منظور تشخیص ابتلا به سرطان پستان و روش </span><span dir="LTR"><span style="font-size:10.0pt;">10-fold cross-validation</span></span><span style="font-size:12.0pt;"> برای ساخت و ارزیابی مدل بر روی مجموعه داده&shy;‌ی جمع‌&shy;آوری شده بهره گرفته شد. </span><br> <span style="font-size:12.0pt;">&nbsp;<strong>یافته‌ها: </strong>نتایج به&shy;‌دست 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.</span><span style="font-size:13.0pt;"></span><br> <strong><span style="font-size:12.0pt;">نتیجه گیری: </span></strong><span style="font-size:12.0pt;">بر طبق نتایج حاصل از درخت تصمیم ایجاد شده، ریسک فاکتورهایی چون سن، وزن، سن شروع قاعدگی، یائسگی، مدت زمان مصرف</span> <span dir="LTR"><span style="font-size:10.0pt;">OCP</span></span> <span style="font-size:12.0pt;">و سن اولین بارداری از جمله عوامل موثر در ابتلای زنان به سرطان پستان در استان فارس شناخته شدند.</span></span></div> <div style="text-align: justify;"><span style="font-size:16px;"><span style="font-family:times new roman;"><strong>Background and Aim:</strong>&nbsp;Breast cancer is the most common type of cancer and the main cause of death from cancer in women worldwide. Technologies such as data mining, have enabled experts in this area to improve decision making in the early diagnosis of the disease. Therefore, the purpose of this research is to develop an automatic diagnostic model for breast cancer by employing data mining methods and selecting the model with the highest accuracy of diagnosis.<br> <strong>Materials and Methods:</strong>&nbsp;In this study, 654 available patient records of Motahari breast cancer Clinic in Shiraz&quot; were used as the sample. The number of records was reduced to 621 after the pre-processing operation. These samples had 22 features that ultimately used ten were used as effective features in the design of the model. Three types of Decision tree, Naive Bayes and Artificial neural network were used for diagnosis of breast cancer and 10-fold cross-validation method for constructing and evaluating the model on the collected data set.<br> <strong>Results:</strong>&nbsp;The results of the three techniques mentioned all three models showed promising results in detecting breast cancer. Finally, the artificial neural network accounted for the highest accuracy of 94/49%(sensitivity 96/19%, specificity 86/36%) in the diagnosis of breast cancer.<br> <strong>Conclusion:&nbsp;</strong> Based on the results of the decision tree, the risk factors such as age, weight, Age of menstruation, menopause, OCP of records duration, and the age of the first pregnancy were among the factors affecting the incidence of breast cancer in women.&nbsp;</span></span></div> سرطان پستان, مدل تشخیص, درخت تصمیم, بیز ساده, شبکه عصبی, عوامل خطرزا Breast Cancer, Diagnostic Model, Decision Tree, Naive Bayes, Artificial Neural Network, Risk Factors 241 250 http://payavard.tums.ac.ir/browse.php?a_code=A-10-1470-3&slc_lang=fa&sid=1 Azita Yazdani آزیتا یزدانی No Assistant Professor, Department of Health Information Technology, School of Management and Medical Informatics, Shiraz University of Medical Sciences, Shiraz, Iran استادیار گروه فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی شیراز، شیراز، ایران Ali Asghar Safaei علی اصغر صفایی aa.safaei@modares.ac.ir Yes Assistant Professor, Department of Medical Informatics, School of Medical Sciences, Tarbiat Modarres University, Tehran, Iran استادیار گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران Reza Safdari رضا صفدری No Professor, Department of Health Information Management, 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 Maryam Zahmatkeshan مریم زحمت کشان No Ph.D. in Health Information Management, Noncommunicable Diseases Research Center, Fasa University of Medical Sciences, Fasa, Iran دکتری تخصصی مدیریت اطلاعات سلامت، مرکز تحقیقات بیماری های غیر واگیر، دانشگاه علوم پزشکی فسا، فسا، ایران