مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

1,002
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

645
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

کاربرد الگوریتم های درخت تصمیم و رگرسیون لجستیک برای پیش بینی ابتلا به لنف ادم در بیماران سرطان پستان

صفحات

 صفحه شروع 84 | صفحه پایان 95

چکیده

 زمینه و هدف: لنف ادم از عوارض شایع و ناتوان کننده بیماران سرطان پستان است. این مطالعه به پیش بینی و دسته بندی عارضه لنف ادم پرداخته است. همچنین شناسایی عوامل موثر و کشف الگوهایی برای تشخیص سریع تر و جلوگیری از بروز این عارضه از اهداف دیگر این پژوهش است. روش کار: اطلاعات حاصل از پرونده های 1113 بیمار مبتلا به سرطان پستان که طی سال های 1388 تا 1396 به کلینیک لنف ادم سیدخندان مراجعه کرده بودند, مورد ارزیابی قرار گرفت. تحلیل داده ها با به کارگیری روش شناسی CRISP-DM و در نرم افزار IBM SPSS Modeler 18 انجام شد و در بخش مدل سازی, الگوریتم های درخت تصمیم و رگرسیون لجستیک استفاده شد. یافته ها: اطلاعات 933 بیمار شامل 25 متغیر پس از پیش پردازش داده ها وارد مدل شدند. احتمال ابتلا به لنف ادم برای هر یک از بیماران توسط الگوریتم های درخت تصمیم C5. 0, Chaid, C&RT, Quest و الگوریتم رگرسیون لجستیک به ترتیب با حساسیت 33/79%, 41/74%, 92/71%, 64/72% و 83/77% پیش بینی شد و عوامل خطر لنف ادم شناسایی شدند. نسبت تعداد غدد لنفاوی درگیر به تعداد غدد لنفاوی خارج شده, احساس سنگینی, نوع عمل جراحی, مرحله بیماری, سن, شاخص توده بدنی, متاستاز, تعداد دوره های شیمی درمانی, بیماری همراه و تعداد غدد لنفاوی خارج شده به ترتیب موثرترین عوامل خطر در پیش بینی ابتلا به لنف ادم هستند که توسط الگوریتم درخت تصمیم C5. 0 شاسایی شدند. نتیجه گیری: یافته ها نشان می دهد الگوریتم درخت تصمیم C5. 0 با بالاترین حساسیت, مدل برتر برای پیش بینی ابتلا به لنف ادم است. با بکارگیری قوانین ایجاد شده برای یک نمونه جدید با ویژگی های مشخص, می توان پیش بینی کرد بیمار احتمالا مبتلا به لنف ادم خواهد شد یا خیر. با در نظر گرفتن شاخص توده بدنی به عنوان یک عامل قابل تغییر, رژیم های کنترل وزن برای این بیماران توصیه می شود. همچنین توجه به احساس سنگینی بیمار در مراحل اولیه ضروری است.

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    فاضلی، ملیحه، کاظمی، عالیه، و حقیقت، شهپر. (1397). کاربرد الگوریتم های درخت تصمیم و رگرسیون لجستیک برای پیش بینی ابتلا به لنف ادم در بیماران سرطان پستان. علوم پزشکی رازی (مجله دانشگاه علوم پزشکی ایران)، 25(177 )، 84-95. SID. https://sid.ir/paper/10742/fa

    Vancouver: کپی

    فاضلی ملیحه، کاظمی عالیه، حقیقت شهپر. کاربرد الگوریتم های درخت تصمیم و رگرسیون لجستیک برای پیش بینی ابتلا به لنف ادم در بیماران سرطان پستان. علوم پزشکی رازی (مجله دانشگاه علوم پزشکی ایران)[Internet]. 1397؛25(177 ):84-95. Available from: https://sid.ir/paper/10742/fa

    IEEE: کپی

    ملیحه فاضلی، عالیه کاظمی، و شهپر حقیقت، “کاربرد الگوریتم های درخت تصمیم و رگرسیون لجستیک برای پیش بینی ابتلا به لنف ادم در بیماران سرطان پستان،” علوم پزشکی رازی (مجله دانشگاه علوم پزشکی ایران)، vol. 25، no. 177 ، pp. 84–95، 1397، [Online]. Available: https://sid.ir/paper/10742/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button