پیش بینی خطر ابتلاء به بیماری پوکی استخوان با استفاده از درخت تصمیم و شبکه عصبی

مقدمه: پوکی استخوان یکی از دلایل مهم ناتوانی و مرگ در افراد مسن است. هدف این تحقیق تعیین عوامل تاثیرگذار در بروز پوکی استخوان و ارائه مدل پیش بینی کننده ای جهت سرعت بخشیدن به تشخیص وکاهش هزینه ها می باشد. روش: در این مطالعه بنیادی توصیفی مدل جدیدی جهت شناسایی ویژگی های تاثیرگذار بر پوکی استخوان ارائه شده است. اطلاعات مربوط به ۴۰۸۳ نفر زن جهت کشف دانش با ابزار داده کاوی Clementine۱۲ مورد بررسی قرار گرفته است. با استفاده از الگوریتم های داده کاوی شامل درخت تصمیم و شبکه عصبی مصنوعی قوانینی استخراج شده که می توان به عنوان الگویی برای پیش بینی وضعیت بیماران از آن ها استفاده کرد و در نهایت دقت مدل های ساخته شده با یکدیگر مقایسه شده اند. نتایج: این تحقیق مدل های متعدد را بر روی تعداد ویژگی های متفاوت بررسی و نتایج حاصل را به منظور یافتن بهترین مدل پیش بینی کننده از نظر دقت و صحت با هم مقایسه می­کند. دقت طبقه بندی مدل شبکه عصبی MLP با ۹۲/۱۴ درصد از دیگر الگوریتم های به کار رفته در این مطالعه بیشتر است. با توجه به شناسایی عوامل تاثیرگذار بر پوکی استخوان می توان برای یک نمونه جدید احتمال ابتلاء به این بیماری را پیش بینی کرد. نتیجه گیری: سازمان های متولی مراقبت های بهداشتی و سلامت همواره حجم زیادی از اطلاعات را جمع آوری می­کنند در حالی که این اطلاعات و داده ها به درستی مورد استفاده قرار نمی گیرند. این مطالعه نشان می دهد با کشف الگوها و روابط پنهان در این داده ها می توان از آن ها در جهت بهبود کیفیت ارائه خدمات تشخیصی و درمانی بهره برد.

کلیدواژه ها:

Osteoporosis ، Data Mining ، Decision Tree ، Artificial Neural Network ، Clementine ، پوکی استخوان ، داده کاوی ، درخت تصمیم ، شبکه عصبی مصنوعی ، کلمنتاین