دوره 9، شماره 2 - ( 3-1399 )
جلد 9 شماره 2 صفحات 80-69 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
jabarpour E, Abedini A, keshtkar A. Osteoporosis Risk Prediction Using Data Mining Algorithms. JCHR 2020; 9 (2) :69-80
URL: http://jhr.ssu.ac.ir/article-1-504-fa.html
URL: http://jhr.ssu.ac.ir/article-1-504-fa.html
جبارپور عفت، عابدینی امین، کشتکار عباسعلی. پیش بینی خطر ابتلا به پوکی استخوان با استفاده از روش الگوریتم های داده کاوی. مجله تحقیقات سلامت. 1399; 9 (2) :69-80
عفت جبارپور1 
، امین عابدینی* 2، عباسعلی کشتکار3
، امین عابدینی* 2، عباسعلی کشتکار3
1- 1. گروه مهندسی صنایع ، دانشکده مهندسی ، دانشگاه پیام نور ، شعبه شمال تهران ، تهران ، ایران
2- گروه مهندسی کامپیوتر ، دانشکده برق و کامپیوتر ، مهندسی دانشگاه آزاد اسلامی ، واحد قزوین ، ایران ،aminabedini.ai@gmail.com
3- گروه توسعه آموزش بهداشت ، دانشکده بهداشت ، دانشگاه علوم پزشکی تهران ، تهران ، ایران
2- گروه مهندسی کامپیوتر ، دانشکده برق و کامپیوتر ، مهندسی دانشگاه آزاد اسلامی ، واحد قزوین ، ایران ،
3- گروه توسعه آموزش بهداشت ، دانشکده بهداشت ، دانشگاه علوم پزشکی تهران ، تهران ، ایران
چکیده: (3756 مشاهده)
چکیده:
مقدمه: پوکی استخوان بیماری است که با کاهش تراکم استخوان و از دست رفتن کیفیت ریزساختار استخوان شناخته می شود که خود منجر به افزایش خطر شکستگی می گردد. این بیماری یکی از دلایل مهم ناتوانی و مرگ در افراد مسن است. هدف این تحقیق تعیین عوامل تاثیرگذار در بروز پوکی استخوان و نیز ارائه مدل پیش بینی کننده ای برای تشخیص این بیماری، به منظور افزایش سرعت تشخیص و نیز کاهش هزینه های تشخیصی می باشد.
روش:اطلاعات فردی شامل اطلاعات شخصی ، شیوه زندگی و اطلاعات بیماری مورد بررسی قرار گرفت. یک مدل جدید بر اساس فرآیند استاندارد صنعت متقابل(CRISP) ارائه شده است. در این مقاله از الگوریتم های ماشین بردار پشتیبان یا (SVM)Support vector machines و بیزین ساده درخت افزودنی یا Tree Augmented Naive Bayes (TAN) استفاده شده است.Clementine12 ابزار داده کاوی مورد استفاده در این تحقیق است.
نتایج: برخی از ویژگی ها موثر بر این بیماری شناسایی شدند. قوانینی استخراج گردید که می توانند به عنوان الگویی برای پیش بینی وضعیت بیماران استفاده شوند. دقت طبقه بندی برای ماشین بردار پشتیبان 88/39 درصد و برای بیزین ساده درخت افزودنی 91/29 درصد می باشد. دقت الگوریتم TAN در مقایسه با سایر روشها از دقت بالاتری برخوردار بوده است.
نتیجه گیری: بیشترین عوامل تاثیرگذار بر پوکی استخوان شناسایی شده اند و می توان با توجه به عوامل به دست آمده برای یک نمونه ی جدید با ویژگی های مشخص احتمال ابتلای فرد به پوکی استخوان را پیش بینی کرد.
مقدمه: پوکی استخوان بیماری است که با کاهش تراکم استخوان و از دست رفتن کیفیت ریزساختار استخوان شناخته می شود که خود منجر به افزایش خطر شکستگی می گردد. این بیماری یکی از دلایل مهم ناتوانی و مرگ در افراد مسن است. هدف این تحقیق تعیین عوامل تاثیرگذار در بروز پوکی استخوان و نیز ارائه مدل پیش بینی کننده ای برای تشخیص این بیماری، به منظور افزایش سرعت تشخیص و نیز کاهش هزینه های تشخیصی می باشد.
روش:اطلاعات فردی شامل اطلاعات شخصی ، شیوه زندگی و اطلاعات بیماری مورد بررسی قرار گرفت. یک مدل جدید بر اساس فرآیند استاندارد صنعت متقابل(CRISP) ارائه شده است. در این مقاله از الگوریتم های ماشین بردار پشتیبان یا (SVM)Support vector machines و بیزین ساده درخت افزودنی یا Tree Augmented Naive Bayes (TAN) استفاده شده است.Clementine12 ابزار داده کاوی مورد استفاده در این تحقیق است.
نتایج: برخی از ویژگی ها موثر بر این بیماری شناسایی شدند. قوانینی استخراج گردید که می توانند به عنوان الگویی برای پیش بینی وضعیت بیماران استفاده شوند. دقت طبقه بندی برای ماشین بردار پشتیبان 88/39 درصد و برای بیزین ساده درخت افزودنی 91/29 درصد می باشد. دقت الگوریتم TAN در مقایسه با سایر روشها از دقت بالاتری برخوردار بوده است.
نتیجه گیری: بیشترین عوامل تاثیرگذار بر پوکی استخوان شناسایی شده اند و می توان با توجه به عوامل به دست آمده برای یک نمونه ی جدید با ویژگی های مشخص احتمال ابتلای فرد به پوکی استخوان را پیش بینی کرد.
مروری: پژوهشي |
موضوع مقاله:
مدیریت اطلاعات بهداشتی
دریافت: 1397/11/27 | پذیرش: 1399/4/9 | انتشار: 1399/4/9
دریافت: 1397/11/27 | پذیرش: 1399/4/9 | انتشار: 1399/4/9
فهرست منابع
1. Camacho PM, Petak SM, Binkley N, et al. American Association of Clinical Endocrinologists and American College of Endocrinology Clinical Practice guidelines for the diagnosis and treatment of postmenopausal osteoporosis-2016. Endocrine Practice. 2016; 22(4): 1-42.
2. Eastell, R., Treatment of postmenopausal osteoporosis. New England Journal of Medicine. 1998; 338(11): 736-746.
3. Ominsky MS, Boyce RW, Li X, et al. Effects of sclerostin antibodies in animal models of osteoporosis. Bone. 2017; 96: 63-75.
4. Wright VJ, Tejpar F. The New Science of Musculoskeletal Aging in Bone, Muscle, and Tendon/Ligament. InMasterful Care of the Aging Athlete. 2018: 9-15.
5. Bouxsein ML, Eastell R, Lui LY, et al. Change in bone density and reduction in fracture risk: a meta-regression of published trials.Journal of Bone and Mineral Research. 2019; 34(4): 632-642.
6. Sugimoto T, Sato M, Dehle FC, et al. Lifestyle-related metabolic disorders, osteoporosis, and fracture risk in Asia: A systematic review. Value in Health Regional Issues. 2016; 9: 49-56.
7. Johnell O, Kanis JA .An estimate of the worldwide prevalence and disability associated with osteoporotic fractures. Osteoporosis international. 2006; 17(12): 1726-1733.
8. Kanis JA. Assessment of osteoporosis at the primary health care level. WHO Collaborating Centre for Metabolic Bone Diseases. 2007; Available at:URL: https://ci.nii.ac.jp/naid/20001202369/en/.
9. Rohollahi F. Take a look at prevalence of osteoporosis in the world and Iran. Hamshahri newspaper. Health part. 2007; 4150. Available online at: http:// www. isaarsci. ir/ general.
10. Morris JA, Kemp JP, Youlten SE, et al. An atlas of genetic influences on osteoporosis in humans and mice. Nature genetics. 2019; 51(2): 258-66.
11. Hsu YH, Xu X, Jeong S. Genetic Determinants and Pharmacogenetics of Osteoporosis and Osteoporotic Fracture. InOsteoporosis. 2020: 485-506.
12. Pisani P, Renna MD, Conversano F, et al. Major osteoporotic fragility fractures: Risk factor updates and societal impact. World Journal of Orthopedics. 2016; 7(3): 171.
13. Unnikrishnan G, Xu C, Popp KL, et al. Regional variation of bone density, microarchitectural parameters, and elastic moduli in the ultradistal tibia of young black and white men and women. Bone. 2018; 112: 194-201.
14. Bitar AN, Sulaiman SA, Ali IA, et al. Osteoporosis among patients with chronic obstructive pulmonary disease: Systematic review and meta-analysis of prevalence, severity, and therapeutic outcomes. Journal of Pharmacy & Bioallied Sciences. 2019; 11(4): 310-320.
15. Vidal M, Thibodaux RJ, Neira LF, et al. Osteoporosis: a clinical and pharmacological update. Clinical Rheumatology. 2019; 38(2): 385-395.
16. Sugimoto T, Fujiwara S, Hagino H, et al. Clinical practice guide on fracture risk in lifestyle-related diseases. 2011.
17. Lindsay R, Cosman F. Harrison's Principles of Internal Medicine: Osteoporosis. 2012: 3131-3136.
18. Wilson DJ. Osteoporosis and sport. European journal of radiology. 2019; 110:169-74.
19. Saadi HF, Reed RL, Carter AO, et al. Bone density estimates and risk factors for osteoporosis in young women. Eastern Mediterranean Health Journal. 2001; 7 (4-5): 730-737.
20. Mäkitie R, Costantini A, Kämpe A,et al. New insights into monogenic causes of osteoporosis. Frontiers in Endocrinology.2019; 10: 70.
21. Rizzoli R, Bonjour JP, Ferrari SL. Osteoporosis, genetics and hormones. Journal of Molecular Endocrinology. 2001; 26(2): 79-94.
22. Kaewboonchoo O, Sung FC, Lin CL, et al. Risk of osteoporosis and fracture in victims with burn injury. Osteoporosis International. 2019; 30(4): 837-843.
23. Bass S, Pearce G, Bradney M, et al. Exercise before puberty may confer residual benefits in bone density in adulthood: studies in active prepubertal and retired female gymnasts. Journal of Bone and Mineral Research. 1998; 13(3): 500-507.
24. Lee M, Jung R, Jung Y, et al. Association of Work-Time, Leisure-Time Physical Activity and Osteoporosis Prevalence: Korea National Health and Nutrition Examination Survey in 2015-2016. Korean Journal of Family Practice. 2019; 9(5): 403-407.
25. Fredman L, Ranker LR, Strunin L, et al. Caregiving Intensity and Mortality in Older Women, Accounting for Time-Varying and Lagged Caregiver Status: The Caregiver-Study of Osteoporotic Fractures Study. The Gerontologist. 2019; 59(5): 461-469.
26. Sambrook P, Dequiker J, Rasp H. metabolic bone disease, Report of a WHO study group, Assessment of fracture risk and its application to screening for postmenopausal Osteoporosis. World Health Organization Technical Report Series. Geneva. 1994; 5.
27. Wang W, Richards G, Rea S. Hybrid Data Mining Ensemble for Predicting Osteoporosis Risk. 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference, Shanghai. 2005: 886-889.
28. Gao Z, Hong W, Xu Y, et al. Osteoporosis Diagnosis Based on the Multifractal Spectrum Features of Micro-CT Images and C4. 5 Decision Tree. In 2010 First International Conference on Pervasive Computing, Signal Processing and Applications. 2010: 1043-1047.
29. Moudani W, Shahin A, Chakik F, et al. Intelligent predictive osteoporosis system. International Journal of Computer Applications. 2011; 32(5):28-37.
30. Mona S, Somayeh A, Abbasi M, et al. Providing a model for predicting the risk of osteoporosis using decision tree algorithms. Journal of Mazandaran University of Medical Sciences. 2014; 24(116): 110-118.
31. Fitzpatrick, L. A. (2002, May). Secondary causes of osteoporosis. In Mayo Clinic Proceedings. 2002 ;77(5): 453-468 Elsevier.
32. Bogoch ER, Elliot-Gibson V, Wang RY, et al. Secondary causes of osteoporosis in fracture patients. Journal of Orthopaedic Trauma. 2012; 26(9): 145-152.
33. Raisz LG. Screening for osteoporosis. New England Journal of Medicine. 2005; 353(2): 164-171.
34. Zanker J, Duque G. Osteoporosis in older persons: old and new players. Journal of the American Geriatrics Society. 2019; 67(4): 831-840.
35. Dubey R, Samantaray SR, Panigrahi BK, et al. Data-mining model based adaptive protection scheme to enhance distance relay performance during power swing. International Journal of Electrical Power & Energy Systems. 2016; 81: 361-370.
36. Xu N, Wang Y, Xu Y, et al. Effect of subclinical hyperthyroidism on osteoporosis: A meta-analysis of cohort studies. Endocrine. 2020.
37. Elkady AA, Kazem HH, Elgendy EA. Protective effect of vitamin D against rats' mandibular osteoporosis induced by corticosteroids and gamma rays. International Journal of Radiation Research. 2020; 18(1): 125-131.
38. Mullin BH, Tickner J, Zhu K, et al. Characterisation of genetic regulatory effects for osteoporosis risk variants in human osteoclasts. Genome biology. 2020; 21(1): 1-3.
39. Ireland N, Nabi S, Chand K, et al. Menopause and osteoporosis. Pulse. 2019; 50.
40. Fatahi M. Suport Vector Machines: A survey [dissertation]. [razi]: razi university: 2015: 48.
41. Huang S, Cai N, Pacheco PP, et al. Applications of support vector machine (SVM) learning in cancer genomics. Cancer Genomics-Proteomics. 2018; 15(1): 41-51.
42. Koski T, Noble J. Bayesian networks: an introduction. 2011; 924. John Wiley & Sons.
43. Larijani B. An overview of osteoporosis in Iran. international osteoporosis seminar in Iran. 2004;1
44. Dreiher J, Weitzman D, Cohen AD. Psoriasis and osteoporosis: a sex-specific association?. Journal of Investigative Dermatology. 2009; 129(7): 1643-9.
45. Englebardt SP, Nelson R. Health care informatics: An interdisciplinary approach. Mosby Incorporated. 2002.
46. Zhou XH, Li SL, Tian F, et al. Building a disease risk model of osteoporosis based on traditional Chinese medicine symptoms and western medicine risk factors. Statistics in medicine. 2012; 31(7): 643-52.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution 4.0 International License قابل بازنشر است. |
