دوره 7، شماره 3 - ( 9-1399 )
جلد 7 شماره 3 صفحات 317-304 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Abedini A, Jabarpour E, Keshtkar A. Predicting the Risk of Osteoporosis Using Decision Tree and Neural Network. jhbmi 2020; 7 (3) :304-317
URL: http://jhbmi.ir/article-1-453-fa.html
URL: http://jhbmi.ir/article-1-453-fa.html
عابدینی امین، جبارپور عفت، کشتکار عباسعلی. پیش‌بینی خطر ابتلاء به بیماری پوکی استخوان با استفاده از درخت تصمیم و شبکه عصبی. مجله انفورماتیک سلامت و زیست پزشکی. 1399; 7 (3) :304-317
دانشجوی دکتری مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران
چکیده: (2922 مشاهده)
مقدمه: پوکی استخوان یکی از دلایل مهم ناتوانی و مرگ در افراد مسن است. هدف این تحقیق تعیین عوامل تأثیرگذار در بروز پوکی استخوان و ارائه مدل پیش‌بینی کننده‌ای جهت سرعت بخشیدن به تشخیص وکاهش هزینه‌ها می‌باشد.
روش: در این مطالعه بنیادی توصیفی مدل جدیدی جهت شناسایی ویژگی‌های تأثیرگذار بر پوکی استخوان ارائه شده است. اطلاعات مربوط به 4083 نفر زن جهت کشف دانش با ابزار داده کاوی Clementine12 مورد بررسی قرار گرفته است. با استفاده از الگوریتم‌های داده‌کاوی شامل درخت تصمیم و شبکه عصبی مصنوعی قوانینی استخراج شده که می‌توان به عنوان الگویی برای پیش‌بینی وضعیت بیماران از آن‌ها استفاده کرد و در نهایت دقت مدل‌های ساخته شده با یکدیگر مقایسه شده‌اند.
نتایج: این تحقیق مدل‌های متعدد را بر روی تعداد ویژگی‌های متفاوت بررسی و نتایج حاصل را به منظور یافتن بهترین مدل پیش‌بینی کننده از نظر دقت و صحت با هم مقایسه میکند. دقت طبقه‌بندی مدل شبکه عصبی MLP با 92/14 درصد از دیگر الگوریتم‌های به کار رفته در این مطالعه بیشتر است. با توجه به شناسایی عوامل تأثیرگذار بر پوکی استخوان می‌توان برای یک نمونه جدید احتمال ابتلاء به این بیماری را پیش‌بینی کرد.
نتیجه‌گیری: سازمان‌های متولی مراقبت‌های بهداشتی و سلامت همواره حجم زیادی از اطلاعات را جمع‌آوری میکنند در حالی که این اطلاعات و داده‌ها به درستی مورد استفاده قرار نمی‌گیرند. این مطالعه نشان می‌دهد با کشف الگوها و روابط پنهان در این داده‌ها می‌توان از آن‌ها در جهت بهبود کیفیت ارائه خدمات تشخیصی و درمانی بهره برد.
روش: در این مطالعه بنیادی توصیفی مدل جدیدی جهت شناسایی ویژگی‌های تأثیرگذار بر پوکی استخوان ارائه شده است. اطلاعات مربوط به 4083 نفر زن جهت کشف دانش با ابزار داده کاوی Clementine12 مورد بررسی قرار گرفته است. با استفاده از الگوریتم‌های داده‌کاوی شامل درخت تصمیم و شبکه عصبی مصنوعی قوانینی استخراج شده که می‌توان به عنوان الگویی برای پیش‌بینی وضعیت بیماران از آن‌ها استفاده کرد و در نهایت دقت مدل‌های ساخته شده با یکدیگر مقایسه شده‌اند.
نتایج: این تحقیق مدل‌های متعدد را بر روی تعداد ویژگی‌های متفاوت بررسی و نتایج حاصل را به منظور یافتن بهترین مدل پیش‌بینی کننده از نظر دقت و صحت با هم مقایسه میکند. دقت طبقه‌بندی مدل شبکه عصبی MLP با 92/14 درصد از دیگر الگوریتم‌های به کار رفته در این مطالعه بیشتر است. با توجه به شناسایی عوامل تأثیرگذار بر پوکی استخوان می‌توان برای یک نمونه جدید احتمال ابتلاء به این بیماری را پیش‌بینی کرد.
نتیجه‌گیری: سازمان‌های متولی مراقبت‌های بهداشتی و سلامت همواره حجم زیادی از اطلاعات را جمع‌آوری میکنند در حالی که این اطلاعات و داده‌ها به درستی مورد استفاده قرار نمی‌گیرند. این مطالعه نشان می‌دهد با کشف الگوها و روابط پنهان در این داده‌ها می‌توان از آن‌ها در جهت بهبود کیفیت ارائه خدمات تشخیصی و درمانی بهره برد.
فایل صوتی [M4A 980 KB] (101 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
