طاهره رنجبر - دانشجوی کارشناسی ارشد ،مهندسی کامپیوتر،شبکه های کامپیوتری، موسسه آموزش عالی پویش قم
میثم عبداللهی - استاد یار گروه مهندسی کامپیوتر ،گروه کامپیوتر ،موسسه آموزش عالی پویش قم

موضوع مورد مطالعه: درسال های اخیر با توجه به شیوع گسترده مشکل ناباروری، استفاده از فناوری های کمک باروری در بین زوجین افزایش یافته است. جهت جلوگیری از تحمل هزینه های سنگین و جلوگیری از آثارسوء عدم دسترسی به نتیجه موفقیت آمیز، آگاهی زوجین از درصد موفقیت درمان خود بسیارحائز اهمیت است. داده کاوی فرایندکشف وبازیابی اطلاعات ازانبوهی ازداده هاست. می توان با استفاده از داده کاوی و تکنیک های یادگیری ماشین به تجزیه و تحلیل داده های بیماران نابارور پرداخت.اهداف: هدف از این پژوهش ، ایجاد سیستمی برای پیش بینی نتیجه درمان ناباروری از طریق روش های کمک باروری با استتفاده از تکنیک های داده کاوی می باشد .روش تحقیق: برای طراحی مدل پیش بینی تولد زنده، اطلاعات پرونده مربوط به۵۲۶ زوج نابارور، از سازمان باروری و جنین شناسی انگلستان استخراج شد، پس از انتخاب موثرترین ویژگی ها ، با هدف تاثیر عامل ژنتیک در ناباروری ، دو ویژگی غربالگری ژنتیکی پیش ازلانه گزینی (PGS) و تکنیک های تشخیص ژنتیکی (PGD) نیز همراه سایر ویژگی های تاثیر گذار جهت انجام پیش بینی در مدل سازی بکار گرفته شد، تجزیه و تحلیل داده ها با استفاده از نرم افزار رپید ماینر نسخه۷.۱.۱انجام گرفت.خلاصه نتایج: با شناسایی ویژگی های تاثیر گذارچون سن مادر و تعداد جنین های انتقالی و با بکار گیری ۵ الگوریتم یادگیری ماشین برای ساخت مدل پیش بینی تولد زنده، مدل naïve Base با صحت ۷۱.۹۵ درصد به عنوان بهترین مدل برای پیش بینی نتایج انتقال جنین مشخص شد. مدل پیش بینی تولدزنده پیشنهاد شده، قادر است با استفاده از یادگیری ماشین ،تولد زنده حاصل از لقاح آزمایشگاهی را پیش بینی کند.این سیستم یک سیستم مستقل نمی باشد بلکه می تواند به عنوان یک سیستم کمک یار به تصمیم گیری پزشک کمک کند و شانس موفقیت درمان را پیش بینی کند.

داده کاوی، ناباروری ،غربالگری ژنتیکی پیش از لانه گزینی (PGS) ، تکنیک های تشخیص ژنتیکی (PGD)