طراحی سیستم هوشمند جهت پیش‌بینی بیماری‌های ژنتیکی کروموزومی با استفاده از تکنیک‌های داده کاوی

زمینه و هدف: امروزه شاهد پیشرفت های شگرف در زمینه داده کاوی داده های پزشکی هستیم. داده هایی که با تجزیه و تحلیل و کشف روابط بین آنها می توان به الگوریتم هایی رسید که در پیشگیری و یا درمان بسیاری از بیماری ها به ما کمک می کنند. در این بین بیماری های ژنتیکی بخش اعظمی از توجه دنیای پزشکی را به خود اختصاص داده اند زیرا تولد کودکان مبتلا به ناهنجاری های ژنتیکی بار مالی، روانی و عاطفی زیادی به جامعه تحمیل می کند. بنابراین هدف این مطالعه ارائه الگوریتمی به عنوان یک آزمایش غربالگری ثانویه قبل از انجام تست های سلولی و مولکولی است. مواد و روش ها :در این تحقیق 1000 پرونده مربوط به زنان بارداری که بعد از آزمایشات غربالگری در گروه ریسک متوسط یا بالا قرار داشتند مورد مطالعه قرار گرفت. اطلاعات بالینی آنها ذخیره گردید، پاکسازی و حذف داده های و یکپارچه سازی رکوردها صورت گرفت سپس با استفاده از نرم افزار spss modeler، داده کاوی و کشف روابط بین داده ها صورت گرفت و در انتها الگوریتم مناسب برای شناسایی بیماری های ژنتیکی مشخص گردید.نتایج: با اعمال پنج الگوریتم، شبکه های عصبی، ماشین بردار پشتیبانی، درخت تصمیم دودویی، درخت تصمیم چندتایی و رگرسیون لجستیک بر روی داده ها، مشخص گردید الگوریتم شبکه های عصبی با دقت 97.522% بیشترین میزان موفقیت را در تشخیص بیماری های ژنتیکی - کروموزومی قبل از تولد را دارا می باشد.نتیجه گیری:استفاده از الگوریتم شبکه های عصبی به عنوان یک آزمایش غربالگری سبب می گردد که تعداد افراد کمتری کاندید انجام تست های پر هزینه و خطرناک سلولی و مولکولی قرار گیرند و می تواند به عنوان ابزاری در راستای کمک به کشف بیماری ها در دنیای پزشکی مورد استفاده قرار گیرد.

Designing an intelligent system for predicting chromosomal genetic diseases using data mining

Background and Aim: Today we are witnessing tremendous advances in medical data mining. The data, by analyzing and discovering the relationships between them, can lead to algorithms that help us prevent or treat many diseases. Meanwhile, genetic diseases have attracted a large part of the attention of the medical world because the birth of children with genetic disorders imposes a great financial, psychological and emotional burden on society. Therefore, the aim of this study is to present an algorithm as a secondary screening test before performing cell and molecular tests. Material and Methods: In this study, 1000 cases of pregnant women who were in moderate or high risk group after screening tests were studied. Their clinical information was stored, missing data was deleted, and records were integrated. Then, using Clementine software, data mining and data correlation were performed, and finally a suitable algorithm for diagnosing the disease was performed. Genetic mutations were identified. Results: By applying five algorithms, neural networks, support vector machine, binary decision tree, multiple decision tree and logistic regression on the data, it was found that the neural network algorithm with 97.522% accuracy has the highest success rate in Diagnosis of geneticchromosomal diseases before birth. Conclusion: The use of genetic algorithm as a screening test causes less people to be candidates for costly and dangerous cellular and molecular tests and can be used as a tool to help detect the disease. To be used in the medical world.