ارائه مدلی برای تعیین میزان پوکی استخوان با استفاده از الگوریتم ماشین ‌بردار پشتیبان در مردان سالمند فعال

مقدمه و اهداف: شکستگی‌های ناشی از پوکی استخوان، هر ساله هزینه‌های اقتصادی گزافی را بر مردم و سیستم درمانی کشور وارد می‌کند. داده‌کاوی به‌خاطر داشتن قدرت پردازش حجم عظیم داده‌ها و کاهش زمان تشخیص در‌زمینه‌های مختلف، از‌جمله پزشکی و ورزشی کاربردهای زیادی دارد. بنابراین هدف اصلی این مطالعه، ارائه مدلی برای تعیین میزان پوکی استخوان با استفاده از الگوریتم ماشین بردار پشتیبان در مردان سالمند فعال بود. مواد و روش‌ها: این مطالعه از نوع توسعه‌ای‌کاربردی بود. اطلاعات آزمایشگاهی 652 بیمار بررسی شد. از بین این افراد، 108 مرد سالمند فعال انتخاب شدند که 58 نفر سالم، 33 نفر استئوپنی و 17 نفر استئوپروز بودند. از الگوریتم ماشین بردار پشتیبان برای دسته‌بندی افراد استفاده شد. همچنین از نسخه 2020 نرم‌افزار مَتلَب برای تجزیه‌و‌تحلیل داده‌ها استفاده شد. ارزیابی بر‌اساس ماتریس درهم ریختگی و معیارهای دقت و صحت انجام شد. یافته‌ها: طبق نظر پزشکان و نتایج مقالات علمی، از 103 ویژگی مربوط به اطلاعات شخصی و سبک زندگی آزمودنی‌ها، 8 ویژگی به‌عنوان ورودی الگوریتم انتخاب شدند. نتایج نشان داد الگوریتم ماشین بردار پشتیبان می‌تواند با دقت 59/3 درصد و صحت 54/91 درصد افراد سالم، استئوپنی و استئوپروز را تشخیص دهد. نتیجه‌گیری: ویژگی‌های پیش‌بین‌کننده الگوریتم‌ داده‌کاوی در این مطالعه با نتایج بالینی به‌دست‌آمده از مطالعات پزشکی و با یافته‌های تحقیقات قبلی مطابقت دارد. این مطالعه نشان می‌دهد با کشف الگوها و روابط پنهان در داده‌ها، احتمالاً به‌درستی از این الگوریتم می‌توان برای بهبود کیفیت خدمات تشخیصی و درمانی استفاده کرد.

presenting a model for detecting osteoporosis in active older men using the support vector machine algorithm

background and aims: fractures due to osteoporosis impose high economic costs on patients and the health care system. data mining has many applications in various fields, including medicine and sports, due to its ability to process large amounts of data and reduce detection time. therefore, this study aims to provide a model for detecting osteoporosis in active older men using the support vector machine (svm) algorithm.methods: this is a development-applied study. medical data of 652 patients were first examined. of these, 108 active older men were selected including 58 healthy men, 33 with osteopenia, and 17 with osteoporosis. the svm algorithm was used to differentiate them. matlab software version 2020 was also used for data analysis. evaluation was performed using the confusion matrix and based on the accuracy and precision criteria.results: of 103 features related to sociodemographic information of participants, 8 features were selected as the inputs of the algorithm. the svm algorithm could detect osteoporosis with 59.3% accuracy and 54.91% precision.conclusion: by discovering hidden patterns and relationships in the data, the svm algorithm can help improve the quality of diagnostic services for osteoporosis.