osteoporosis risk prediction using data mining algorithms

Introduction: osteoporosis is a disease that reduces bone density and loses the quality of bone microstructure leading to an increased risk of fractures. it is one of the major causes of inability and death in elderly people. the current study aims at determining the factors influencing the incidence of osteoporosis and providing a predictive model for the disease diagnosis to increase the diagnostic speed and reduce diagnostic costs. methods: an individual's data including personal information, lifestyle, and disease information were reviewed. a new model has been presented based on the cross-industry standard process crisp methodology. besides, support vector machine (svm) and bayes methods (tree augmented naïve bayes (tan) and clementine12 have been used as data mining tools. results: some features have been detected to affect this disease. the rules have been extracted that can be used as a pattern for the prediction of the patients' status. classification precision was calculated to be 88.39% for svm, and 91.29% for (tan) when the precision of tan is higher comparing to other methods. conclusion: in this study, lactation duration, history of osteoporosis, calcium intake, immune-suppressor drugs, hyperlipidemia drugs, autoimmune diseases, number of pregnancies, hyperlipidemia, vitamin d, hyperparathyroidism, exercising during the week, anti-inflammatory drugs, thalassemia, waist disc, anti-coagulants drugs, hypothyroidism, hypertension drugs, history of surgery, diabetes and diabetes-related drugs were identified as important factors in relation to osteoporosis. these factors can be used for a new sample with defined characteristics to predict the possibility of osteoporosis in a person.

پیش بینی خطر ابتلا به پوکی استخوان با استفاده از روش الگوریتم داده ها

چکیده:مقدمه: پوکی استخوان بیماری است که با کاهش تراکم استخوان و از دست رفتن کیفیت ریزساختار استخوان شناخته می شود که خود منجر به افزایش خطر شکستگی می گردد. این بیماری یکی از دلایل مهم ناتوانی و مرگ در افراد مسن است. هدف این تحقیق تعیین عوامل تاثیرگذار در بروز پوکی استخوان و نیز ارائه مدل پیش بینی کننده ای برای تشخیص این بیماری، به منظور افزایش سرعت تشخیص و نیز کاهش هزینه های تشخیصی می باشد. روش:اطلاعات فردی شامل اطلاعات شخصی ، شیوه زندگی و اطلاعات بیماری مورد بررسی قرار گرفت. یک مدل جدید بر اساس فرآیند استاندارد صنعت متقابل(CRISP) ارائه شده است. در این مقاله از الگوریتم های ماشین بردار پشتیبان یا (SVM)Support vector machines و بیزین ساده درخت افزودنی یا Tree Augmented Naive Bayes (TAN) استفاده شده است.Clementine12 ابزار داده کاوی مورد استفاده در این تحقیق است. نتایج: برخی از ویژگی ها موثر بر این بیماری شناسایی شدند. قوانینی استخراج گردید که می توانند به عنوان الگویی برای پیش بینی وضعیت بیماران استفاده شوند. دقت طبقه بندی برای ماشین بردار پشتیبان 88/39 درصد و برای بیزین ساده درخت افزودنی 91/29 درصد می باشد. دقت الگوریتم TAN در مقایسه با سایر روشها از دقت بالاتری برخوردار بوده است. نتیجه گیری: بیشترین عوامل تاثیرگذار بر پوکی استخوان شناسایی شده اند و می توان با توجه به عوامل به دست آمده برای یک نمونه ی جدید با ویژگی های مشخص احتمال ابتلای فرد به پوکی استخوان را پیش بینی کرد.