Journal of Community Health Research

en پیش بینی خطر ابتلا به پوکی استخوان با استفاده از روش الگوریتم های داده کاوی Osteoporosis Risk Prediction Using Data Mining Algorithms مدیریت اطلاعات بهداشتی Health information management پژوهشي Research 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. Abstract Introduction: Osteoporosis is a disease that reduces bone density and loses the quality of bone microstructure leading to an increased risk of fractures. It is one of the major causes of inability and death in elderly people. The current study aims at determining the factors influencing the incidence of osteoporosis and providing a predictive model for the disease diagnosis to increase the diagnostic speed and reduce diagnostic costs. Methods: An Individual's data including personal information, lifestyle, and disease information were reviewed. A new model has been presented based on the Cross-Industry Standard Process CRISP methodology. Besides, Support Vector Machine (SVM) and Bayes methods (Tree Augmented Naïve Bayes (TAN)) and Clementine12 have been used as data mining tools. Results: Some features have been detected to affect this disease. The rules have been extracted that can be used as a pattern for the prediction of the patients' status. Classification precision was calculated to be 88.39% for SVM, and 91.29% for  (TAN) when the precision of  TAN  is higher comparing to other methods. Conclusion: The most effective factors concerning osteoporosis are detected and can be used for a new sample with defined characteristics to predict the possibility of osteoporosis in a person. پوکی استخوان ,روش بردار ماشین ,روش بیزین, داده کاوی Osteoporosis, Data mining, Support vector machine, Bayes network 69 80 http://jhr.ssu.ac.ir/browse.php?a_code=A-10-1386-2&slc_lang=en&sid=1 efat jabarpour عفت جبارپور ejabarpoor@yahoo.com 0000-0001-5203-8252 No 1. Department of Industrial Engineering, School of Engineering, Payame Noor University, Tehran Shomal Branch, Tehran,Iran 1. گروه مهندسی صنایع ، دانشکده مهندسی ، دانشگاه پیام نور ، شعبه شمال تهران ، تهران ، ایران amin Abedini امین عابدینی aminabedini.ai@gmail.com 0000-0003-2792-2294 Yes 2. Department of Computer Engineering, School of Electrical and Computer, Engineering Islamic Azad University, Qazvin Branch, Iran گروه مهندسی کامپیوتر ، دانشکده برق و کامپیوتر ، مهندسی دانشگاه آزاد اسلامی ، واحد قزوین ، ایران abbasali keshtkar عباسعلی کشتکار abkeshtkar@gmail.com 0000-0002-4786-2818 No 3. Department of Health Sciences Education Development, School of Public Health, Tehran University of Medical Sciences, Tehran, Iran گروه توسعه آموزش بهداشت ، دانشکده بهداشت ، دانشگاه علوم پزشکی تهران ، تهران ، ایران