مجله اطلاع رسانی پزشکی نوین، جلد ۶، شماره ۴، صفحات ۱-۱۰
عنوان فارسی طراحی مدل پیشبینی خطر سرطان کولورکتال مبتنی بر تکنیک داده‌کاوی رگرسیون‌لجستیک
چکیده فارسی مقاله هدف: استفاده از یادگیری ماشین جهت تشخیص زودرس سرطان کولورکتال نقش مهمی در بهبود شاخص‌های بیماری دارد؛ هدف مطالعه حاضر طراحی مدل پیشبینی بیماری براساس تکنیک‌های داده‌کاوی می‌باشد. روش‌ها: مطالعه حاضر از نوع توصیفی کاربردی بود که در سال 1399 انجام گردید. جامعه پژوهش تمام افرادی (800 نفر) بود که جهت بررسی‌های تشخیصی به بیمارستان طالقانی شهرستان آبادان مراجعه کرده بودند. داده‌ها از پرونده الکترونیک بیمار طی سال‌های 1388-1398 استخراج شد. از نرم‌افزار SPSS برای تحلیل اطلاعات استفاده گردید. از روش همبستگی اسپیرمن برای شناسایی فاکتورهای مؤثر در تعیین خطر ابتلا به سرطان کولورکتال در سطح آماری 0/05≥P-Value استفاده شد. سپس با استفاده از تحلیل رگرسیون‌لجستیک دودویی و روش Enter فاکتورهای مؤثر در تعیین خطر ابتلا به سرطان کولورکتال شناسایی شدند و نهایتاً مدل رگرسیون پیشبینی خطر ابتلا به سرطان کولورکتال طراحی گردید. نتایج: 11 متغیر با استفاده از ضریب‌همبستگی اسپیرمن همبستگی معناداری را با کلاس خروجی (ابتلا و عدم ابتلا به سرطان کولورکتال) را نشان دادند. نتایج حاصل از تحلیل رگرسیون‌لجستیک با استفاده از Enter 7 متغیر شانس بالاتری نسبت به سایر متغیرها به دسست آوردند. نتایج حاصل از طبقه‌بندی نمونه‌های پژوهش با استفاده از روش Forward LR نشان داد که با این مدل با داشتن میزان صحت، دقت و حساسیت به ترتیب 91 درصد، 93/5 درصد و 94/5 درصد عملکرد بالایی داشته است. نتیجه‌گیری: مدل پیشبینی خطر مبتنی بر روش رگرسیون‌لجستیک می‌تواند در ارتقاء صحت و دقت تشخیص بیماری و پیشبینی موثر گروه‌های پرخطر به متخصصین گوارشی کمک‌کننده باشد.
کلیدواژه‌های فارسی مقاله سرطان کولورکتال، داده‌کاوی، یادگیری ماشین، رگرسیون لجستیک، ماتریس آشفتگی
عنوان انگلیسی Designing a model for predicting colorectal cancer risk based on regression-logistic data mining technique
چکیده انگلیسی مقاله Aim: Using machine learning for the early detection of this disease has an important role in improving disease indicators. Therefore, this study aims to design a disease prediction model based on data mining techniques to help in early diagnosis and provide evidence-based services. Methods: This is an applied descriptive studyconducted in 2020. The study population was all patients (800 people) referred to Taleghani Hospital in Abadan for diagnostic tests. The data were derived from the electronic records of during 2009-2010. The Spearman correlation method was used to identify the effective factors in determining the risk of CRC. Then, Binary Logistic Regression (BLR) analysis and Enter method, effective factors in determining the risk of CRC were identified. Finally, the regression prediction model for CRC was developed. SPSS 17 was used to analyze statistical data. P-value ≥ 0.05 was considered significant. Results: Eleven variables using the Spearman correlation coefficient showed a significant correlation with the output class (with and without colorectal cancer). The results of regression-logistic analysis using Enter 7 variables obtained a higher chance than other variables. The results of classifying the research samples using the Forward LR method showed that with this model, accuracy, precision, and sensitivity (91%, 93.5%, and 94.5%, respectively) had high performance.   Conclusion: Designing a risk prediction model based on logistic regression plays an important role in rapid, accurate, and timely screening of patients in improving the quality of care and increasing the life expectancy of patients. The proposed model in the present study can help gastroenterologist to improve the diagnosis accuracy, precision, and effective prediction of high-risk groups.
کلیدواژه‌های انگلیسی مقاله Colorectal cancer, Data mining, Machine learning, Logistic regression, Confusion matrix
نویسندگان مقاله رئوف نوپور | raouf noupor
MSC, Health Information Technology, Department of Health Information Technology and Management, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran
کارشناسی ارشد، فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران

هادی کاظمی آرپناهی | hadi kazemi arpanahi
Department of Health Information Technology, Abadan Faculty of Medical Sciences, Abadan, Iran
گروه فناوری اطلاعات سلامت، دانشکده علوم پزشکی آبادان، ایران.

مصطفی شنبه زاده | mostafa shanbehzadeh
Department of Health Information Technology, School of Paramedical, Ilam University of Medical Sciences, Ilam, Iran.
گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی ایلام، ایران

نشانی اینترنتی http://jmis.hums.ac.ir/browse.php?a_code=A-10-455-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات