fa استفاده از تکنیک‌های داده کاوی جهت تشخیص افتراقی بیماری‌های فقر آهن و بتا-تالاسمی مینور داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color:black;">مقدمه:</span></strong> کم‌خونی، فقرآهن یکی از شایع‌ترین انواع کم خونی است که تشخیص افتراقی اصلی آن بتا-تالاسمی مینور می‌باشد. غـربالگری سـریـع و دقـیـق بتا-تالاسمی مینور جهت مشاوره پزشکی قبل از ازدواج و جـلوگـیری از تولد نـوزادان مبتلا به بتا-تالاسمی ماژور و تمایز آن از فـقرآهـن برای پیشگیری از تجویز نابه‌جای آهن برای درمان بتا-تالاسمی مینور از اهمیت ویژه‌ای برخوردار است. هدف مطالعه حاضر به‌کارگیری تکنیک‌های داده‌کاوی جهت افتراق فقر آهن از بتا-تالاسمی مینور بر اساس آزمایش‌های <span dir="LTR"><span style="font-size:11.0pt;">CBC</span></span> به منظور افزایش سرعت تشخیص و کاهش هزینه‌های تشخیصی است.<br> <strong><span style="color:black;">روش:</span></strong> پژوهش حاضر از نوع گذشته‌نگر و بر روی داده‌های 1000 بیمار در آزمایشگاه دکتر حیدری شهرستان زاهدان انجام گرفت. برای انجام تحقیق از روش استاندارد <span dir="LTR"><span style="font-size:11.0pt;">CRISP-DM</span></span> و الگوریتم‌های داده‌کاوی ماشین بردار پشتیبان، بیزین ساده، بگینگ، آدابوست و درخت تصمیم استفاده شد. برای تحلیل داده‌ها نرم‌افزار <span dir="LTR"><span style="font-size:11.0pt;">Weka</span></span> به کار رفت.<br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> نتایج ارزیابی‌های انجام گرفته نشان می‌دهد که الگـوریتم‌های بگینگ، درخت تصمیم، آدابوست، ماشین بردار پشتیبان و بیزین ساده در افتراق فقر آهن از بتا-تالاسمی مینور به ترتیب به دقت 95/73، 95/5، 94/6، 80/2، 76/6 درصد دست یافته‌اند.<br> <strong>نتیجه‌گیری:</strong> در این تحقیق روشی خودکار مبتنی بر تکنیک‌های داده‌کاوی برای افتراق فقر آهن از بتا-تالاسمی مینور ارائه شد. نتایج ارزیابی‌ها نشان می‌دهد که الگوریتم بگینگ در افتراق فقر آهن از بتا-تالاسمی مینور به دقت بالاتری در مقایسه با سایر الگوریتم‌های داده‌کاوی و شاخص‌های افتراقی دست یافت. همچنین به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده‌اند که می‌توانند در تشخیص به موقع دو بیماری مذکور توسط پزشک مورد استفاده قرار گیرند.</span><br> &nbsp;</div> <div style="text-align: justify;"><strong>Introduction:</strong> One of the most common types of anemia is Iron deficiency anemia that its main differential diagnosis is &beta;-thalassemia minor<span dir="RTL">.</span> The rapid and accurate screening of &beta;-thalassemia minor has particular importance for pre-marriage medical counseling and the prevention of the birth of neonates with &beta;-thalassemia major and differentiating it from iron deficiency anemia to avoid unnecessary prescription of iron. The aim of this study was to apply data mining techniques to differentiate iron deficiency anemia from &beta;-thalassemia minor based on CBC test in order to increase the diagnostic speed and to reduce diagnostic costs.<br> <strong>Method:</strong> The present study was a retrospective study and was performed on 1000 patients referred to Dr. Heidari laboratory of Zahedan city. To conduct research, CRISP-DM standard methodology and support vector machine data mining algorithms, naive <em>Bayes</em>, Bagging, Adaboots and decision tree have been used. WEKA software was used to analyze the data.<br> <strong>Results:</strong> The results of the evaluations show that Bagging, Decision tree, Adaboots, support vector machine, and naive <em>Bayes</em> algorithms had respectively 95.73%, 95.5%, 94.6%, 80.2% and 76.6% accuracy in differentiating iron deficiency anemia from &beta;-thalassemia minor.<br> <strong>Conclusion:</strong> In this study, an automatic method based on data mining techniques for differentiation of iron deficiency anemia from &beta;-thalassemia minor is presented. The results of the evaluations show that Bagging algorithm has higher accuracy compared to other data mining algorithms and differential indices. Also, with the help of the decision tree, rules have been extracted that can be used by the physician in timely diagnosis of the two diseases.<br> &nbsp;</div> فقر آهن, بتا-تالاسمی مینور, تشخیص افتراقی, داده‌کاوی, الگوریتم یادگیری جمعی بگینگ Iron deficiency anemia, β-thalassemia minor, Differential diagnosis, Data mining, Bagging ensemble learning algorithm 435 446 http://jhbmi.ir/browse.php?a_code=A-10-449-1&slc_lang=fa&sid=1 Samira Noferesti سمیرا نوفرستی snoferesti@ece.usb.ac.ir 10031947532846006043 10031947532846006043 No PhD in Computer Engineering, Assistant Professor, Information Technology Dept., Faculty of Electrical and Computer Engineering, University of Sistan and Baluchestan, Zahedan, Iran دکترای مهندسی کامپیوتر‌، استادیار گروه مهندسی فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران Narges Shemshadi Nejad نرگس شمشادی نژاد shemshadi.narges@gmail.com 10031947532846006044 10031947532846006044 Yes MSc in Software Engineering, Zahedan, Iran کارشناسی ارشد مهندسی نرم‌افزار، زاهدان، ایران Fatemeh Heydari فاطمه حیدری heydari3688@gmail.com 10031947532846006045 10031947532846006045 No متخصص پاتولوژی )آسیب شناسی بالینی و تشریحی(، استادیار، دانشکده پزشکی، دانشگاه علوم پزشکی، زاهدان، ایران