نماﯾﺶ داﻧﺶ ﭘﻨﻬﺎن از ﯾﮏ ﻣﺠﻤﻮﻋﻪ داده ﺳﺮﻃﺎن ﭘﺴﺘﺎن ﺑﻮﻣﯽ ﺑﺎ اﺳﺘﻔﺎده از روش رﮔﺮﺳﯿﻮن و دﺳﺘﻪﺑﻨﺪی

زمینه: استفاده از روش های معمول کشف دانش مانند درخت های تصمیم گیری در زمینه سرطان پستان مورد مطالعه قرار گرفته است .نمایش ارتباط نامکشوف بین داده ها در قالب: بصری و ساختاربندی شده از دلایل محبوبیت و استفاده از درخت های تصمیم گیری هستند. در مطالعه حاضر، الگوی الگوریتمی از اﯾﻦ دﺳﺘﻪ ﮐﻪ در ﻣﻄﺎﻟﻌﺎت ﭼﺎپ ﺷﺪه ﻗﺒﻠﯽ اﺳﺘﻔﺎده ﻧﺸﺪه اﺳﺖ، ﺑﻪ ﮐﺎر رﻓﺘﻪ اﺳﺖ. روش ها: ﻣﺠﻤﻮﻋﻪ دادهای ﮐﻪ ﺷﺎﻣﻞ اﻃﻼﻋﺎت 569 ﺑﯿﻤﺎر ﺑﯿﻦ ﺳﺎلﻫﺎی 87 و 90 ﻣﯽ ﺑﺎﺷﺪ، اﺳﺘﻔﺎده شده است. روش ﻣﺪﯾﺮﯾﺖ ﻣﻘﺎدﯾﺮ ﻣﻔﻘﻮده ﻣﺠﻤﻮﻋﻪ داده ﺟﺎﯾﮕﺬاری ﻣﺘﻌﺪد ﺑﻮد. از ﻧﺮم اﻓﺰار ibm statistics21 برای ایجاد ﻣﺪل و ﺟﺎﯾﮕﺬاری ﻣﻘﺎدﯾﺮ ﻣﻔﻘﻮده اﺳﺘﻔﺎده ﺷﺪ. ﻣﺪل اﯾﺠﺎد ﺷﺪه ﺗﻮﺳﻂ ﻣﻌﯿﺎرﻫﺎی: ﺻﺤﺖ، ﺣﺴﺎﺳﯿﺖ و وﯾﮋﮔﯽ ﻣﻮرد ارزﯾﺎﺑﯽ ﻗﺮار ﮔﺮﻓﺖ. یافته ها: ﺪل درﺧﺖ ﺗﺼﻤﯿﻤﯽ ﺑﺎ ﻫﻔﺪه ﮔﺮه اﯾﺠﺎد ﮐﺮد. از ﻧُﻪ ﮔﺮه، ﻣﺠﻤﻮﻋﻪ ای از ﻗﻮاﻧﯿﻦ ﻣﻌﻨﯽدار بالینی که در ﻗﺎﻟﺐ اﮔﺮ و آﻧﮕﺎه ﺑﻮدﻧﺪ ﺗﻮﻟﯿﺪ ﺷﺪ. ﻗﻮاﻧﯿﻦ ﻧﺸﺎن دادﻧﺪ ﮐﻪ ﻣﻬﻤﺘﺮﯾﻦ ﻣﺘﻐﯿﺮ ﺑﺮای ﭘﯿﺶﺑﯿﻨﯽ احتمال زنده بودن بیماران مبتلا به سرطان پستان، متغیر مرحله بیماری است. عملکرد مدل ایجاد شده بر طبق معیارهای (حساسیت، ویژگی و صحت) به ترتیب عبارت بودند از: 93/5، 53 و 80/3%. نتیجه گیری: : ﻣﺪل ﻣﻄﺎﻟﻌﻪ ﺣﺎﺿﺮ ﺑﻪ ﻋﻨﻮان اوﻟﯿﻦ ﻣﺪل اﯾﺠﺎد ﺷﺪه در زﻣﯿﻨﻪ اﺣﺘﻤﺎل زﻧﺪه ﺑﻮدن ﺑﯿﻤﺎران مبتلا به سرطان پستان، ، ﻗﻮاﻧﯿﻦ ﮐﺎرﺑﺮدی ﻧﺎﻣﮑﺸﻮف را از ﯾﮏ ﻣﺠﻤﻮﻋﻪ داده ﻧﻪ ﭼﻨﺪان ﺑﺰرگ آﺷﮑﺎر کرد.