%0 Journal Article %A noupor, raouf %A kazemi arpanahi, hadi %A shanbehzadeh, mostafa %T Designing a model for predicting colorectal cancer risk based on regression-logistic data mining technique %J Journal of Modern Medical Information Sciences %V 6 %N 4 %U http://jmis.hums.ac.ir/article-1-267-fa.html %R 10.29252/jmis.6.4.1 %D 2020 %K Colorectal cancer, Data mining, Machine learning, Logistic regression, Confusion matrix, %X 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. 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. داده‌ها از پرونده الکترونیک بیمار طی سال‌های 1388-1398 استخراج شد. از نرم‌افزار SPSS 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≥P-Value استفاده شد. سپس با استفاده از تحلیل رگرسیون‌لجستیک دودویی و روش Enter فاکتورهای مؤثر در تعیین خطر ابتلا به سرطان کولورکتال شناسایی شدند و نهایتاً مدل رگرسیون پیشبینی خطر ابتلا به سرطان کولورکتال طراحی گردید. 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 Enter 7 متغیر شانس بالاتری نسبت به سایر متغیرها به دسست آوردند. نتایج حاصل از طبقه‌بندی نمونه‌های پژوهش با استفاده از روش Forward LR 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. 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. %> http://jmis.hums.ac.ir/article-1-267-fa.pdf %P 1-10 %& 1 %! %9 Applicable %L A-10-455-1 %+ Department of Health Information Technology, School of Paramedical, Ilam University of Medical Sciences, Ilam, Iran. %G eng %@ 2476-6720 %[ 2020