مقایسه دو الگوریتم درخت تصمیم‌گیری ساده و جنگل تصادفی برای پیش‌بینی بیماری پوکی استخوان در مردان میانسال فعال

مقدمه و اهداف پوکی استخوان، بیماری خاموش نامیده می‌شود، زیرا شکستگی اولین نشانه آشکار‌کننده این بیماری است. قبل از وقوع شکستگی، تشخیص زودهنگام این بیماری مسئله مهمی است. استفاده از الگوریتم‌های داده‌کاوی، دانشی است که ما را در رسیدن به اطلاعات نهفته در داده‌ها یاری می‌کند. هدف اصلی این مطالعه مقایسه دو الگوریتم درخت تصمیم‌گیری ساده و جنگل تصادفی برای پیش‌بینی بیماری پوکی استخوان در مردان میانسال فعال بود.مواد و روش‌ها تعداد 256 نفر مرد میانسال که طی سال‌های 1396 تا 1399 در بیمارستان آیت‌الله کاشانی تهران پرونده پزشکی داشتند و با عنوان مشکوک به بیماری پوکی استخوان به این بیمارستان مراجعه کرده بودند، در این مطالعه شرکت کردند. از نرم‌افزار متلب نسخه 2020 برای تجزیه‌ و‌ تحلیل داده‌ها استفاده شد. ارزیابی بر‌اساس ماتریس درهم‌ریختگی و معیارهای دقت و صحت انجام شد. یافته‌ها ابتدا، طبق نظر پزشکان و نتایج مقالات علمی از 103 ویژگی مربوط به اطلاعات شخصی، سبک زندگی و اطلاعات بیماری، 11 ویژگی به‌عنوان ورودی الگوریتم‌ها انتخاب شدند. الگوریتم جنگل تصادفی با دقت 73/4 درصد و صحت 68/07 درصد عملکرد بهتری داشت.نتیجه‌گیری در این مطالعه با توجه به داده‌های در دسترس، الگوریتم‌هایی توسعه داده شد که می‌تواند درزمینه پیشگیری بیماری پوکی استخوان کارآمد باشد. استفاده از این الگوریتم‌ها می‌تواند برای شروع درمان و تشخیص سریع این بیماری موثر باشد و از وقوع شکستگی و عوارض جبران‌ناپذیر آن جلوگیری کند.

Comparing the Effectiveness of Two Simple Decision Tree and Random Forest Algorithms in Predicting Osteoporosis in Active Middle-Aged Men

Background and Aims Osteoporosis is called a “silent disease” because it has no symptoms until a bone is fractured. Therefore, its early detection before occurrence of fracture is important. Using data mining algorithms can help access the information hidden in the data. This study aims to compare two simple decision tree and random forest algorithms to predict osteoporosis in active middleaged men.Methods A total of 256 middleaged men referred to Ayatollah Kashani Hospital in Tehran, Iran during 20172020 participated in this study. Data analysis was carried out in MATLAB software version 2020.  Evaluation was performed using the confusion matrix and based on accuracy and precision criteria.Results Out of 103 factors related to personal information, lifestyle, and disease, 11 were selected as inputs to the algorithms. The results showed that the random forest algorithm had a better performance (73.4% accuracy and 68.07% precision) compared to simple decision tree.Conclusion The data mining algorithms can be effective in predicting osteoporosis in active middleaged men. These algorithms can be used for early treatment and rapid diagnosis of osteoporosis and prevent the occurrence of bone fractures and their irreparable complications.