fa طراحی مدل پیشبینی خطر سرطان کولورکتال مبتنی بر تکنیک داده‌کاوی رگرسیون‌لجستیک تخصصي Special كاربردي Applicable <div> <div id="ftn1" style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;">هدف: استفاده از یادگیری ماشین جهت تشخیص زودرس سرطان کولورکتال نقش مهمی در بهبود شاخص‌های بیماری دارد؛ هدف مطالعه حاضر طراحی مدل پیشبینی بیماری براساس تکنیک‌های داده‌کاوی می‌باشد.<br> روش‌ها: مطالعه حاضر از نوع توصیفی کاربردی بود که در سال 1399 انجام گردید. جامعه پژوهش تمام افرادی (800 نفر) بود که جهت بررسی‌های تشخیصی به بیمارستان طالقانی شهرستان آبادان مراجعه کرده بودند. داده<span dir="LTR">‌</span>ها از پرونده الکترونیک بیمار طی سال‌های 1388-1398 استخراج شد. از نرم‌افزار <span dir="LTR">SPSS</span> برای تحلیل اطلاعات استفاده گردید. از روش همبستگی اسپیرمن برای شناسایی فاکتورهای مؤثر در تعیین خطر ابتلا به سرطان کولورکتال در سطح آماری 0/05&ge;<span dir="LTR">P-Value</span> استفاده شد. سپس با استفاده از تحلیل رگرسیون‌لجستیک دودویی و روش <span dir="LTR">Enter</span> فاکتورهای مؤثر در تعیین خطر ابتلا به سرطان کولورکتال شناسایی شدند و نهایتاً مدل رگرسیون پیشبینی خطر ابتلا به سرطان کولورکتال طراحی گردید.<span dir="LTR"><span style="font-size:14.0pt;"></span></span><br> نتایج: 11 متغیر با استفاده از ضریب‌همبستگی اسپیرمن همبستگی معناداری را با کلاس خروجی (ابتلا و عدم ابتلا به سرطان کولورکتال) را نشان دادند. نتایج حاصل از تحلیل رگرسیون‌لجستیک با استفاده از <span dir="LTR">Enter 7</span> متغیر شانس بالاتری نسبت به سایر متغیرها به دسست آوردند. نتایج حاصل از طبقه‌بندی نمونه‌های پژوهش با استفاده از روش <span dir="LTR">Forward LR</span> نشان داد که با این مدل با داشتن میزان صحت، دقت و حساسیت به ترتیب 91 درصد، 93/5 درصد و 94/5 درصد عملکرد بالایی داشته است. <span dir="LTR"><span style="font-size:14.0pt;"></span></span><br> نتیجه‌گیری: مدل پیشبینی خطر مبتنی بر روش رگرسیون‌لجستیک می‌تواند در ارتقاء صحت و دقت تشخیص بیماری و پیشبینی موثر گروه‌های پرخطر به متخصصین گوارشی کمک‌کننده باشد.</span></span><span dir="LTR"><span style="font-size:14.0pt;"></span></span><br> <span dir="RTL"></span></div> </div> <div style="text-align: justify;"><strong>Aim:</strong> Using machine learning for the early detection of this disease has an important role in improving disease indicators. Therefore, this study aims to design a disease prediction model based on data mining techniques to help in early diagnosis and provide evidence-based services.<br> <strong>Methods:</strong> This is an applied descriptive studyconducted in 2020. The study population was all patients (800 people) referred to Taleghani Hospital in Abadan for diagnostic tests. The data were derived from the electronic records of during 2009-2010. The Spearman correlation method was used to identify the effective factors in determining the risk of CRC. Then, Binary Logistic Regression (BLR) analysis and Enter method, effective factors in determining the risk of CRC were identified. Finally, the regression prediction model for CRC was developed. SPSS 17 was used to analyze statistical data. P-value &ge; 0.05 was considered significant.<br> <strong>Results: </strong>Eleven variables using the Spearman correlation coefficient showed a significant correlation with the output class (with and without colorectal cancer). The results of regression-logistic analysis using Enter 7 variables obtained a higher chance than other variables. The results of classifying the research samples using the Forward LR method showed that with this model, accuracy, precision, and sensitivity (91%, 93.5%, and 94.5%, respectively) had high performance.<br> &nbsp;<br> <strong>Conclusion:</strong> Designing a risk prediction model based on logistic regression plays an important role in rapid, accurate, and timely screening of patients in improving the quality of care and increasing the life expectancy of patients. The proposed model in the present study can help gastroenterologist to improve the diagnosis accuracy, precision, and effective prediction of high-risk groups.</div> سرطان کولورکتال, داده‌کاوی, یادگیری ماشین, رگرسیون لجستیک, ماتریس آشفتگی Colorectal cancer, Data mining, Machine learning, Logistic regression, Confusion matrix 1 10 http://jmis.hums.ac.ir/browse.php?a_code=A-10-455-1&slc_lang=fa&sid=1 raouf noupor رئوف نوپور raoof.n1370@gmail.com 10031947532846006635 10031947532846006635 No MSC, Health Information Technology, Department of Health Information Technology and Management, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran کارشناسی ارشد، فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران hadi kazemi arpanahi هادی کاظمی آرپناهی hadi.kazemi67@yahoo.com 10031947532846006636 10031947532846006636 No Department of Health Information Technology, Abadan Faculty of Medical Sciences, Abadan, Iran گروه فناوری اطلاعات سلامت، دانشکده علوم پزشکی آبادان، ایران. mostafa shanbehzadeh مصطفی شنبه زاده mostafa.shanbezadeh@gmail.com 10031947532846006637 10031947532846006637 Yes Department of Health Information Technology, School of Paramedical, Ilam University of Medical Sciences, Ilam, Iran. گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی ایلام، ایران