>
Fa   |   Ar   |   En
   آینده پژوهی در سلامت: انتخاب بهترین مدل هوشمند مبتنی بر داده کاوی برای پیش بینی و تشخیص سرطان کبد در مراحل اولیه  
   
نویسنده افضلی فائزه ,حیدری زهره ,منتظری میترا ,احمدیان لیلا ,زاهدی محمد جواد
منبع انفورماتيك سلامت و زيست پزشكي - 1394 - دوره : 2 - شماره : 3 - صفحه:133 -140
چکیده    مقدمه: سرطان اولیه کبد(hcc) پنجمین سرطان شایع در دنیا و سومین عامل مرگ و میر در جهان می باشد. علائم سرطان کبد پس از بروز به سرعت پیشرفت کرده و در صورت عدم تشخیص به موقع متاسفانه بقای عمر بیمار بسیار کم می گردد. یکی از مشکلات اصلی پیش روی متخصصین گوارش، پیش بینی و تشخیص زود هنگام سرطان کبد است. داده کاوی از روش هایی است که در این زمینه مورد استفاده واقع می گردد. هدف از انجام این مطالعه معرفی بهترین مدل هوشمند مبتنی بر داده کاوی برای پیش بینی و تشخیص سرطان کبد در مراحل اولیه می باشد.روش: در مقاله حاضر با استفاده از روش مطالعه گذشته نگر، پرونده 516 بیمار مبتلا به سرطان کبد اولیه و ثانویه و 22 ریسک فاکتور، از هر بیمار، مورد بررسی قرار گرفت. داده های جمع آوری شده با استفاده از 5 مدل داده کاویvfi classifier ،regression classifier ،hyperpipes classifier ، functional trees with logistic regression و meta muti class classifier تحلیل شدند. این مدل ها با یکدیگر مقایسه شدند.نتایج: دقت، ویژگی، حساسیت و سطح زیر منحنی rocمـدل vfi classifier به تـرتیب 71/29%، 49%، 50% و 63/31% می باشد و این مدل به عنوان بهترین مدل هوشمند مبتنی برداده کاوی برای پیش بینی و تشخیص سرطان کبد در مراحل اولیه شناخته شد.نتیجه گیری: در صورتی که مدل داده کاوی vfi classifier به صورت صحیح طراحی شود، می تواند سرطان کبد را پیش بینی نماید یا آن را در مراحل اولیه تشخیص دهد.
کلیدواژه سرطان کبد، هپاتوسلولار کارسینوما (Hcc)، پیش‌بینی و تشخیص، داده‌کاوی، آینده پژوهی در سلامت
آدرس دانشگاه علوم پزشکی کرمان, پژوهشکده آینده پژوهی در سلامت, مرکز تحقیقات مدل سازی در سلامت, ایران, دانشگاه علوم پزشکی کرمان, پژوهشکده آینده پژوهی در سلامت, مرکز تحقیقات مدل سازی در سلامت, ایران, دانشگاه علوم پزشکی کرمان, پژوهشکده آینده پژوهی در سلامت، دانشکده فنی و مهندسی, مرکز تحقیقات انفورماتیک پزشکی، بخش مهندسی کامپیوتر, ایران, دانشگاه علوم پزشکی کرمان, پژوهشکده آینده پژوهی در سلامت, مرکز تحقیقات انفورماتیک پزشکی, ایران, دانشگاه علوم پزشکی کرمان, مرکز تحقیقات گوارش و کبد, ایران
پست الکترونیکی zahedimj@yahoo.com
 
   Futures Studies in Health: Choosing the Best Intelligent Data Mining Model to Predict and Diagnose liver Cancer in Early Stage  
   
Authors Afzali Faezeh ,Ahmadian Leila ,Montazeri Mitra ,Zahedi Mohammad Javad ,Heidari Zohreh
Abstract    Introduction: Primary liver cancer ( HCC), is the fifth most common type of cancer and the third leading cause of death in the world. Symptoms of liver cancer will progress rapidly after the onset of the disease, and unfortunately, the patients' survival rate is very low. One of the main problems for gastroenterologists is the prediction and early detection of liver cancer. Data mining techniques can be used to understand and predict cancer. The aim of this study was to identify the best model based on intelligent data mining to predict and diagnose liver cancer in an early stage.Method: In the present article, a retrospective study was conducted on 516 cases of primary and secondary liver cancer, and 22 risk factors were examined. Data were collected from the patients' files and analyzed using 5 data mining models including VFI Classifier, Regression Classifier, Hyper Pipes Classifier, Functional trees with logistic regression, and Meta Multi Class Classifier with the highest precision (Precision). These models were compared.Results: The precision, sensitivity, specificity, and the area under the curve of VFI Classifier model were respectively 71.29%, 49%, 50%, and 63.31%, and VFI Classifier model is the best model based on intelligent data mining to predict and diagnose liver cancer in an early stage.Conclusion: If properly designed, data mining model VFI Classifier can predict liver cancer or detect it in an early stage.
Keywords Liver Cancer ,Hepatocellular Carcinoma (HCC) ,Prediction and Detection ,Data Mining ,Futures studies on Health
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved