fa پیش‌بینی خطر ابتلاء به بیماری پوکی استخوان با استفاده از درخت تصمیم و شبکه عصبی داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:Tahoma;"><span style="color:#000000;"><strong>مقدمه:</strong> 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.<span dir="LTR"><span style="color:black;"></span></span><br> <strong>روش:</strong> 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 <span dir="LTR"><span style="font-size:11.0pt;">Clementine12</span></span> 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.<span dir="LTR"><span style="color:black;"></span></span><br> <strong>نتایج:</strong> 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 می&shy;کند. دقت طبقه‌بندی مدل شبکه عصبی <span dir="LTR"><span style="font-size:11.0pt;">MLP</span></span> 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.<span dir="LTR"><span style="color:black;"></span></span><br> <strong>نتیجه‌گیری:</strong> سازمان‌های متولی مراقبت‌های بهداشتی و سلامت همواره حجم زیادی از اطلاعات را جمع‌آوری می&shy;کنند 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.</span></span><span dir="LTR"><span style="color:black;"></span></span></div> <div style="text-align: justify;"><span style="color:#000000;"><span style="font-family:Tahoma;"><strong>Introduction:</strong> Osteoporosis is one of the major causes of disability and death in elderly people. The objective of this study was to determine the factors affecting the incidence of osteoporosis and provide a predictive model to accelerate diagnosis and reduce costs.<br> <strong>Method:</strong> In this fundamental descriptive study, a new model was proposed to identify the factors affecting osteoporosis. Data related to 4083 women were investigated with Clementine12, the data mining tool, to discover knowledge. Using data mining algorithms, including decision tree and artificial neural network, some rules were extracted that can be used as a model to predict the condition of patients and finally, the accuracy of the proposed models were compared.<br> <strong>Results:</strong> This study examined several models on a number of different characteristics and compared the results in terms of accuracy to find the best predictive model. The classification accuracy of the MLP neural network model was 92.14% which was higher than that of the other algorithms used in this study. According to the identification of factors affecting osteoporosis, the risk of developing this disease can be predicted for a new sample.<br> <strong>Conclusion</strong>: Healthcare organizations are always gathering a lot of information while this data is not used properly. This study showed that the hidden patterns and relationships in this data can be discovered and used to improve the quality of diagnostic and treatment services.</span></span></div> پوکی استخوان, داده‌کاوی, درخت تصمیم, شبکه عصبی مصنوعی, کلمنتاین Osteoporosis, Data Mining, Decision Tree, Artificial Neural Network, Clementine 304 317 http://jhbmi.ir/browse.php?a_code=A-10-573-2&slc_lang=fa&sid=1 Amin Abedini امین عابدینی aminabedini.ai@gmail.com 10031947532846005780 10031947532846005780 No M.Sc. in Artificial Intelligence, Computer and IT Engineering, Islamic Azad University of Qazvin, Qazvin, Iran کارشناسی ارشد هوش مصنوعی‌، کامپیوتر و فناوری اطلاعات‌، دانشگاه آزاد اسلامی قزوین، قزوین، ایران Efat Jabarpour عفت جبارپور ejabarpoor@yahoo.com 10031947532846005781 10031947532846005781 Yes Ph.D. Candidate in Industrial Management, Faculty of Management, University of Tehran, Tehran, Iran دانشجوی دکتری مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران Abbasali Keshtkar عباسعلی کشتکار abkeshtkar@gmail.com 10031947532846005782 10031947532846005782 No Associate Professor, Health Sciences Education Development Dept., Faculty of Public Health, Tehran University of Medical Sciences, Tehran, Iran دانشیار، گروه توسعه آموزش علوم سلامت، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران