TY - JOUR T1 - Providing a Model for Predicting the Risk of Osteoporosis Using Decision Tree Algorithms TT - ارائه مدلی برای پیش‎‌بینی احتمال ابتلا به بیماری پوکی استخوان با استفاده از الگوریتم های درخت تصمیم JF - J-Mazand-Univ-Med-Sci JO - J-Mazand-Univ-Med-Sci VL - 24 IS - 116 UR - http://jmums.mazums.ac.ir/article-1-4340-fa.html Y1 - 2014 SP - 110 EP - 118 KW - Osteoporosis KW - data mining KW - decision tree KW - artificial neural network N2 - سابقه و هدف: امروزه بیماری‌هایی مانند پوکی استخوان که بدون هیچ علامتی ناگهان فرد مبتلا را به شکستگی‌های زیادی در نواحی مختلف بدن از جمله ستون فقرات، قفسه سینه، دست‌ها و پاها دچار می‌سازد و در نهایت باعث مرگی دردناک می‌شود در اغلب سالخوردگان مشاهده می‌شود. به گزارش وزارت بهداشت 6/4 درصد افراد 20 تا 70 سال در ایران به پوکی استخوان در ستون فقرات مبتلا هستند. هدف این مقاله تعیین عوامل تأثیرگذار در بروز پوکی استخوان و نیز ارائه مدل پیش‌بینی‌کننده‌ای برای تشخیص این بیماری به منظور افزایش سرعت تشخیص و نیز کاهش هزینه‌های تشخیصی می‌باشد. مواد و روش ها: اطلاعات مربوط به 670 بیمار در چهار بخش اطلاعات فردی، سبک زندگی و اطلاعات بیماری‌ها و نتایج دستگاه DEXA بررسی شده است. در این مقاله مدل جدیدی بر اساس متدولوژی استاندارد CRISP ارائه شده است. در بخش مدل سازی از سه روش شناخته شده در داده کاوی به نام های درخت تصمیم CHAID و C5.0 و شبکه عصبی مصنوعی استفاده شده است. برای تحلیل داده ها از نرم افزار Celementine 12.0 استفاده شده است. یافته ها: در این تحقیق برای اولین بار در ایران ویژگی‌های تاثیرگذار بر پوکی استخوان در بیماران مورد بررسی قرار گرفته است. با استفاده از داده کاوی و روش‌های آن ویژگی‌های تاثیرگذار بر این بیماری شناسایی شده‌اند. به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده اند که می تواند به عنوان الگویی برای پیش بینی وضعیت بیماران از آن‌ها استفاده کرد. دقت مدل‌های ساخته شده با استفاده از الگوریتم‌های C.5.0، CHAID و شبکه عصبی مصنوعی با یکدیگر مقایسه شده‌اند. نتایج این مقایسه نشان می‌دهد هریک از این الگوریتم‌ها در پیش‌بینی گروهی از افراد بهتر عمل می‌کند. استنتاج: به طور کلی دقت الگوریتم‌های شبکه عصبی مصنوعی از الگوریتم‌های درخت تصمیم بیش‌تر است. بیش‌ترین عوامل تأثیر گذار بر پوکی استخوان شناسایی شدند. با توجه به قوانین ایجاد شده برای یک نمونه جدید با ویژگی‌های مشخص، می‌توان پیش‌بینی کرد بیمار احتمالا دچار پوکی استخوان خواهد شد یا خیر. M3 ER -