سوگند ستاره - دانشجوی دکتری انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران،
میثاق ظهیری اصفهانی - دانشجوی دکتری مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاعرسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
احمد رئیسی - دانشجوی کارشناسی ارشد انفورماتیک پزشکی، دانشکده مدیریت و اطلاعرسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران
محمد زارع - کارشناس ارشد اپیدمیولوژی، دانشگاه علوم پزشکی شیراز، شیراز، ایران
رضا عباسی - دانشجوی دکتری مدیریت اطلاعات سلامت، مرکز تحقیقات مدیریت اطلاعات سلامت، دانشگاه علوم پزشکی کاشان، کاشان، ایران

مقدمه:سرطان یکی از دلایل مهم مرگ ومیر در جهان است. سرطان کولورکتا پس از سرطان های ریه، کبد و معده چهارمین رتبه را از نظر شیوع در جهان داراست. تنها در سال 2012 حدود 694000 مورد فوت به علت سرطان کولورکتال در جهان گزارش شده است. پیش بینی بقای بیماران مبتلا به سرطان، اطلاعاتی در مورد بیمار حاصل می کند که مشخص کننده نوع درمان و واجد شرایط بودن بیمار جهت شرکت در کارآزمایی های بهداشتی است. همچنین میتوان از آن برای توسعه برنامه های نظارتی استفاده کرد. برای تحقق بخشیدن به چنین امر مهمی گروه های پژوهشی پزشکی حجم زیادی از داده های پزشکی را جمع آوری کرده و کامپیوترها را به همراه ابزارهای خودکار به کار گرفته اند. در مطالعات مختلف یادگیری ماشین بر پیش بینیپیامدهای سرطان، سعی شده است. هدف از این مطالعه پیش بینی بقای سرطان کولورکتال با استفاده از روش بدون نظارت خوشه بندی و استفاده از روش Kmeans می باشد. روش بررسی: جمعیت مورد مطالعه 569 بیمار مبتلا به سرطان کولورکتال با مرحله تومور 1 تا 4 ، مراجعه کننده به بخش پرتو درمانی بیمارستان نمازی شیراز شامل 338 بیمار زنده و 231 بیمار فوت شده از سال 1385 تا 1390 می باشند که برای پیش بینی بقاء سرطان کولورکتال با حذف برچسب کلاسی از روش خوشه بندی و از الگوریتم Kmaens استفاده شده است. برای تحلیل داده ها نیز از نرم افزار R استفاده گردید یافته ها: عمل خوشه بندی با استفاده از روش Kmeans با صحت بسیار بالایی با مقایسه صحت خوشه بندی با برچسب کلاسی تعیینگردید. بر این اساس صحت به دست 100 % به دست آمد. نتیجه گیری: استفاده از روش خوشه بندی که یک روش بدون نظارت است برای پیش بینی بقا بسیار حایز اهمیت است. هر چند روش های رده بندی نیز به نوبه خود داده های با ارزشی را نتیجه می دهد؛ اما استفاده از روش های بدون نظارت الگوهای پنهان بیشتری را در مواردی که بر چسب کلاسی موجود نیست به دست می دهد

سرطان کولورکتال، خوشه بندی، پیش بینی، Kmeans