رئوف نوپور - MSC, Health Information Technology, Department of Health Information Technology and Management, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran
هادی کاظمی آرپناهی - Department of Health Information Technology, Abadan Faculty of Medical Sciences, Abadan, Iran
مصطفی شنبه زاده - Department of Health Information Technology, School of Paramedical, Ilam University of Medical Sciences, Ilam, Iran.

هدف: استفاده از یادگیری ماشین جهت تشخیص زودرس سرطان کولورکتال نقش مهمی در بهبود شاخص های بیماری دارد؛ هدف مطالعه حاضر طراحی مدل پیشبینی بیماری براساس تکنیک های داده کاوی می باشد. روش ها: مطالعه حاضر از نوع توصیفی کاربردی بود که در سال ۱۳۹۹ انجام گردید. جامعه پژوهش تمام افرادی (۸۰۰ نفر) بود که جهت بررسی های تشخیصی به بیمارستان طالقانی شهرستان آبادان مراجعه کرده بودند. داده ها از پرونده الکترونیک بیمار طی سال های ۱۳۸۸-۱۳۹۸ استخراج شد. از نرم افزار SPSS برای تحلیل اطلاعات استفاده گردید. از روش همبستگی اسپیرمن برای شناسایی فاکتورهای موثر در تعیین خطر ابتلا به سرطان کولورکتال در سطح آماری ۰/۰۵≥P-Value استفاده شد. سپس با استفاده از تحلیل رگرسیون لجستیک دودویی و روش Enter فاکتورهای موثر در تعیین خطر ابتلا به سرطان کولورکتال شناسایی شدند و نهایتا مدل رگرسیون پیشبینی خطر ابتلا به سرطان کولورکتال طراحی گردید. نتایج: ۱۱ متغیر با استفاده از ضریب همبستگی اسپیرمن همبستگی معناداری را با کلاس خروجی (ابتلا و عدم ابتلا به سرطان کولورکتال) را نشان دادند. نتایج حاصل از تحلیل رگرسیون لجستیک با استفاده از Enter ۷ متغیر شانس بالاتری نسبت به سایر متغیرها به دسست آوردند. نتایج حاصل از طبقه بندی نمونه های پژوهش با استفاده از روش Forward LR نشان داد که با این مدل با داشتن میزان صحت، دقت و حساسیت به ترتیب ۹۱ درصد، ۹۳/۵ درصد و ۹۴/۵ درصد عملکرد بالایی داشته است. نتیجه گیری: مدل پیشبینی خطر مبتنی بر روش رگرسیون لجستیک می تواند در ارتقاء صحت و دقت تشخیص بیماری و پیشبینی موثر گروه های پرخطر به متخصصین گوارشی کمک کننده باشد.

Colorectal cancer, Data mining, Machine learning, Logistic regression, Confusion matrix, سرطان کولورکتال, داده کاوی, یادگیری ماشین, رگرسیون لجستیک, ماتریس آشفتگی