این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله اپیدمیولوژی ایران، جلد ۱۴، شماره ۱، صفحات ۱۹-۲۹
عنوان فارسی پیش‌بینی بقاء بیماران مبتلا به سرطان روده بزرگ در بخش پرتودرمانی بیمارستان نمازی شیراز با استفاده از روش‌های داده‌کاوی ماشین بردار پشتیبان و بگینگ
چکیده فارسی مقاله مقدمه و اهداف: با توجه به روند رو به رشد سرطان روده­بزرگ در ایران در سال‌های اخیر، پیش‌بینی پیامد سرطان و اطلاعات بالینی پایه مربوط به آن بااهمیت است. روش‌های داده‌کاوی در پیش‌بینی و تشخیص سرطان‌ها می‌تواند مورداستفاده قرار گیرند. هدف از انجام این مطالعه تعیین عملکرد دو الگوریتم پیش‌بینی کننده ماشین بردار پشتیبان و بگینگ در پیش‌بینی بقاء بیماران مبتلا به سرطان روده بزرگ است. روش کار: جمعیت موردمطالعه 570 بیمار مبتلا به سرطان روده­بزرگ با مرحله تومور 1 تا 4، مراجعه‌کننده به بخش پرتودرمانی بیمارستان نمازی شیراز شامل 338 بیمار زنده و 232 بیمار فوت‌شده از سال 1385 تا 1390 می‌باشند. برای پیش‌بینی بقاء بیماران مبتلا به سرطان روده­بزرگ از روش ماشین بردار پشتیبان و روش بگینک استفاده شد. برای تحلیل داده‌ها نیز از نرم‌افزار Weka نسخه 3.6.10 استفاده گردید. یافته‌ها: بیشترین و کمترین محل قرارگیری تومورها مربوط به رکتوم و کولون چپ و به میزان 51 و 9 درصد بود. روش درمانی در بیش از 80% از بیماران نیز ابتدا عمل جراحی و سپس شیمی‌درمانی و یا رادیوتراپی بود. در عملکرد دو الگوریتم بر اساس صحت،‌ ویژگی و حساسیت محاسبه‌شده از ماتریس درهم‌ریختگی تعیین، مورداستفاده قرار گرفت. به ترتیب میزان صحت، ویژگی و حساسیت در الگوریتم ماشین بردار پشتیبان 4/84،‌ 80 و 5/87 درصد و در الگوریتم بگینگ 2/83،‌ 75 و 88 درصد به دست آمد. نتیجه‌گیری: نتایج حاصل از این مطالعه نشان داد که هر دو روش حساسیت و ویژگی قابل قبولی در پیش‌بینی بقاء بیماران مبتلا به سرطان روده­بزرگ دارند اما ماشین بردار پشتیبان از میزان صحت بیشتری برخوردار بود
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Using Data Mining for Survival Prediction in Patients with Colon Cancer
چکیده انگلیسی مقاله Background and Objectives: Colon cancer is the third most common cancer in the world and the fourth most common cancer in Iran. It is very important to predict the cancer outcome and its basic clinical data. Due to to the high rate of colon cancer and the benefits of data mining to predict survival, the aim of this study was to survey two widely used machine learning algorithms, Bagging and Support Vector Machines (SVM), to predict the outcome of colon cancer patients. Methods: The population of this study was 567 patients with stage 1-4 of colon cancer in Namazi Radiotherapy Center, Shiraz in 2006-2011. Three hundred and thirty eight patients were alive and 229 patients were dead. We used the Support Vector Machines (SVM) and Bagging methods in order to predict the survival of patients with colon cancer. The Weka software ver 3.6.10 was used for data analysis. Results: The performance of two algorithms was determined using the confusion matrix. The accuracy, specificity, and sensitivity of the SVM was 84.48%, 81%, and 87%, and the accuracy, specificity, and sensitivity of Bagging was 83.95%, 78%, and 88%, respectively. Conclusion: The results showed both algorithms have a high performance in survival prediction of patients with colon cancer but the Support Vector Machines has a higher accuracy.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سوگند ستاره | S Setareh
PhD Student of Medical Informatics, Faculty of Paramedicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran
دانشجوی دکتری تخصصی انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران

میثاق ظهیری اصفهانی | M Zahiri Esfahani
PhD Student of Health Information Management, Faculty of Management and Medical Information Sciences, Iran University of Medical Sciences, Tehran, Iran
دانشجوی دکتری تخصصی مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران

محمد زارع بند امیری | M Zare Bandamiri
Department of Radiation Oncology, Namazi hospital, Shiraz University Medical Sciences, Shiraz, Iran
بخش آنکولوژی رادیولوژی، بیمارستان نمازی، دانشگاه علوم پزشکی شیراز، شیراز، ایران

احمد رئیسی | A Raeesi
MSc Student of Medical Informatics, Medical Informatics Research Center, Institute of Future Study, Kerman University of Medical Sciences, Kerman, Iran
دانشجوی کارشناسی ارشد انفورماتیک پزشکی، مرکز تحقیقات انفورماتیک پزشکی، موسسه آینده پژوهی، دانشگاه علوم پزشکی کرمان، کرمان، ایران

رضا عباسی | R Abbasi
PhD Student of Health Information Management, Health Informatin Management Research Center, Kashan University of Medical Sciencess, Kashan, Iran;Researcher of Medical Informatics Research Center (MIRC), Institute of Future Study, Kerman University of Medical Sciences, Kerman, Iran
دانشجوی دکتری تخصصی مدیریت اطلاعات سلامت، مرکز تحقیقات مدیریت اطلاعات سلامت، دانشگاه علوم پزشکی کاشان، کاشان، ایران؛ پژوهشگر مرکز تحقیقات انفورماتیک پزشکی، موسسه آینده پژوهی، دانشگاه علوم پزشکی کرمان، کرمان، ایران

نشانی اینترنتی http://irje.tums.ac.ir/browse.php?a_code=A-10-917-2&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/63/article-63-671354.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده عمومی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات