تشخیص سرطان پروستات و پیش‎بینی احتمال ابتلا به این بیماری در شاغلین

مقدمه: تشخیص بیماری های مختلف در علم پزشکی یکی از زمینه های پرکاربرد داده کاوی محسوب می شود که در سال های اخیر تحقیقات و مطالعات فراوانی پیرامون آن انجام شده است. در این مقاله به مساله تشخیص سرطان پروستات با استفاده از سیستم فازی پرداخته شده است. هدف، تشخیص سرطان پروستات و هم چنین پیش بینی میزان احتمال ابتلا به این بیماری است.روش بررسی: در روش پیشنهادی ابتدا بر روی مجموعه داده در دسترس، پیش پردازش انجام شده و در مرحله بعد عملیات خوشه بندی انجام می گیرد. سپس یک سیستم فازی مرتبه صفر سوگنو برای پیش بینی طراحی می شود. هر خوشه به عنوان مقدم یک قاعده فازی و خروجی هر قاعده درصد احتمال بیماری در آن خوشه در نظر گرفته می شود. برای هر نمونه جدید، درجه تعلق به هر خوشه محاسبه و سپس با ترکیب خروجی های حاصل از هر قاعده، میزان احتمال ابتلای آن نمونه به سرطان پروستات، پیش بینی می شود. در نهایت با در دست داشتن این احتمال و حد آستانه در نظر گرفته شده برای این احتمال، ابتلا یا عدم ابتلای نمونه مورد نظر به سرطان پروستات تشخیص داده می شود.نتایج: نتایج آزمایشات حاکی از دقت خوب سیستم ارائه شده در پیش بینی احتمال بیماری می باشد.نتیجه گیری: از نتایج حاصل از این تحقیق می توان به منظور پیش بینی احتمال ابتلای شاغلین جوان به سرطان پروستات با توجه به مشاغل مختلفی که به آن ها اشتغال دارند و میزان مواجهه با عوامل خطرزا در هر یک از مشاغل استفاده کرد که در صورت بالا بودن این احتمال، به عنوان فرد در معرض خطر شناخته شده و در مواردی حتی شاید نیاز به تغییر شغل وجود داشته باشد.

Diagnosis of prostate cancer and predicting the probability of suffering the disease in workers

Introduction: Diagnosis of various diseases in medicine is one of the area's most widely used data mining in recent years and many researches have been done about it. In this study, the diagnosis of prostate cancer using fuzzy system was assessed. The goal was to diagnose the prostate cancer and to predict the possibility of suffering from the disease.Methods: In the proposed method, at first, based on available dataset, preprocessing and clustering operations were carried out. Then a zeroorder Sugeno fuzzy system was designed for prediction. Each cluster, as the first item of a fuzzy rule, was considered and out of a rule, percentage of disease possibility in each cluster was considered. For each new sample, the membership degree to the each cluster was computed and then by combining outputs from each rule, possibility of disease in the sample was predicted. Finally, by having possibility and threshold for possibility, having or not having the disease for desired sample was diagnosed.Results: The results showed that the system has good accuracy in predicting the possibility of disease.Conclusion: The results of this study can be used to predict the risk of prostate cancer in young workers according to different jobs they are employed and the amount of exposure to risk factors in each job. If this possibility is high, they are known as the person at risk and in some cases there may need to change higher jobs.