پیش‌بینی ابتلا به لنف ‌ادم با ترکیب الگوریتم‌های منتخب داده‌کاوی

زمینه و هدف: سرطان پستان به‌عنوان دومین عامل مرگ ناشی از سرطان در زنان است. با توجه به اهمیت پیش‌بینی این عارضه، استفاده از روش‌های داده‌کاوی می‌تواند کمک بزرگی در جلوگیری از بروز عوارض لنف ادم در بیماران باشد. هدف از این تحقیق تشخیص ابتلا به لنف ‌ادم می‌باشد.روش بررسی: در مطالعه کاربردی توصیفیتحلیلی به‌صورت گذشته‌نگر حاضر، عوامل مرتبط با لنف ادم در1117 بیمار مبتلا به سرطان پستان بررسی و احتمال ابتلا به لنف ‌ادم، با به‌کارگیری الگوریتم‌های یادگیری ماشین پیش‌بینی شد. به طوری‌که پس از جمع‌آوری داده‌ای (فروردین 1388 تا خرداد 1397)، احتمال ابتلا به لنف ادم برای بیمار جدید بررسی و عوامل موثر بر بیماری استخراج شد. بدون احتساب زمان جمع‌آوری داده‌های آماری، مطالعه از شهریور ماه سال 1398 تا اسفند ماه سال 1399 در مرکز توانبخشی سید خندان ادامه داشت.یافته‌ها: نتایج الگوریتم‌ها، در روش وزن‌دهی یادگیری جمعی دارای صحت 87% و در روش یادگیری جمعی با استخراج ویژگی‌ها دارای صحت 90% ارزیابی شد و نهایتا بر‌اساس ارزیابی نهایی تاثیرگذارترین عوامل خطر لنف ‌ادم استخراج شدند.نتیجه‌گیری: یکی از مهم‌ترین عوارض در سرطان پستان، لنف ادم در اندام‌های فوقانی است، که می‌تواند کیفیت زندگی بیماران را تحت تاثیر قراردهد. وجود روشی که بتواند با دقت بالا به پزشک متخصص پیشنهاد بدهد که آیا بیمار جدید در آینده، مبتلا به لنف ‌ادم می‌شود یا خیر و یا با چه احتمالی مبتلا می‌شود، ضروری است.

The prediction of lymphedema via the combination of the selected data mining algorithms

Background: Breast cancer is the second leading cause of cancer death in women, after lung cancer. Due to the importance of predicting this disease, the use of data mining methods in medical research is more significant than before. Data mining algorithms can be a great help in preventing the development of lymphedema in patients. The aim Of this study was to create a diagnosis system that can predict the probability of lymphedema in breast cancer patients.Methods: In the present study, the factors of lymphedema in 1117 patients with breast cancer have been collected. The likelihood of developing lymphedema is predicted using ensemble learning via 5 heterogeneous classification algorithms, feature selection and the genetic algorithm (The Twolayer Ensemble Feature Selection method). After collecting the data of patients with breast cancer from 2009 to 2018, and data preprocessing using the optimized ensemble learning algorithm and feature selection, we will examine the likelihood of developing lymphedema for the new patient. Finally, the factors affecting the disease have been extracted. Excluding the time of collecting statistical data, the period of the study was from September 2019 to February 2021. This study is performed at Seyed Khandan Rehabilitation Center, Tehran, Iran.Results: The results of algorithms showed that the accuracy of the ensemble learning method with selected classification algorithms (SVM with RBF kernel) is 87% and the accuracy of the ensemble learning with feature selection method is 90%. According to the final evaluation of the proposed method, the most effective risk factors for lymphedema have been extracted.Conclusion: Unfortunately, treatment and diagnosis are not without complications, and one of the most important of these complications in breast cancer is lymphedema in the upper extremities, which can affect the quality of life in patients. It is essential to have a method that can accurately suggest to a specialist whether a new patient will develop lymphedema in the future or how likely it is to develop it, using patient rsquo;s own clinical and demographic characteristics.