پیش‌بینی خطر ابتلاء به بیماری پوکی استخوان با استفاده از درخت تصمیم و شبکه عصبی

مقدمه: پوکی استخوان یکی از دلایل مهم ناتوانی و مرگ در افراد مسن است. هدف این تحقیق تعیین عوامل تاثیرگذار در بروز پوکی استخوان و ارائه مدل پیش‌بینی کننده‌ای جهت سرعت بخشیدن به تشخیص وکاهش هزینه‌ها می‌باشد.روش: در این مطالعه بنیادی توصیفی مدل جدیدی جهت شناسایی ویژگی‌های تاثیرگذار بر پوکی استخوان ارائه شده است. اطلاعات مربوط به 4083 نفر زن جهت کشف دانش با ابزار داده کاوی clementine12 مورد بررسی قرار گرفته است. با استفاده از الگوریتم‌های داده‌کاوی شامل درخت تصمیم و شبکه عصبی مصنوعی قوانینی استخراج شده که می‌توان به عنوان الگویی برای پیش‌بینی وضعیت بیماران از آن‌ها استفاده کرد و در نهایت دقت مدل‌های ساخته شده با یکدیگر مقایسه شده‌اند.نتایج: این تحقیق مدل‌های متعدد را بر روی تعداد ویژگی‌های متفاوت بررسی و نتایج حاصل را به منظور یافتن بهترین مدل پیش‌بینی کننده از نظر دقت و صحت با هم مقایسه می کند. دقت طبقه‌بندی مدل شبکه عصبی mlp با 92/14 درصد از دیگر الگوریتم‌های به کار رفته در این مطالعه بیشتر است. با توجه به شناسایی عوامل تاثیرگذار بر پوکی استخوان می‌توان برای یک نمونه جدید احتمال ابتلاء به این بیماری را پیش‌بینی کرد.نتیجه‌گیری: سازمان‌های متولی مراقبت‌های بهداشتی و سلامت همواره حجم زیادی از اطلاعات را جمع‌آوری می کنند در حالی که این اطلاعات و داده‌ها به درستی مورد استفاده قرار نمی‌گیرند. این مطالعه نشان می‌دهد با کشف الگوها و روابط پنهان در این داده‌ها می‌توان از آن‌ها در جهت بهبود کیفیت ارائه خدمات تشخیصی و درمانی بهره برد.

Predicting the Risk of Osteoporosis Using Decision Tree and Neural Network

Introduction: Osteoporosis is one of the major causes of disability and death in elderly people. The objective of this study was to determine the factors affecting the incidence of osteoporosis and provide a predictive model to accelerate diagnosis and reduce costs.Method: In this fundamental descriptive study, a new model was proposed to identify the factors affecting osteoporosis. Data related to 4083 women were investigated with Clementine12, the data mining tool, to discover knowledge. Using data mining algorithms, including decision tree and artificial neural network, some rules were extracted that can be used as a model to predict the condition of patients and finally, the accuracy of the proposed models were compared.Results: This study examined several models on a number of different characteristics and compared the results in terms of accuracy to find the best predictive model. The classification accuracy of the MLP neural network model was 92.14% which was higher than that of the other algorithms used in this study. According to the identification of factors affecting osteoporosis, the risk of developing this disease can be predicted for a new sample.Conclusion: Healthcare organizations are always gathering a lot of information while this data is not used properly. This study showed that the hidden patterns and relationships in this data can be discovered and used to improve the quality of diagnostic and treatment services.