fa کاربردهای داده کاوی در حوزه سلامت - مرور نظام مند تخصصي Special پژوهشي Research <div style="text-align: justify;"><span style="font-size:14px;"><span style="line-height:2;"><span style="font-family:yekanYW;"><span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">هدف: </span></b><span lang="AR-SA">این مطالعه باهدف مرور نظام مند کاربردهای داده کاوی در پیشبینی و تشخیص بیماری ها در حوزه سلامت انجام شد</span>.</span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">منابع اطلاعات یا داده ها</span></b><span lang="AR-SA">: این مطالعه براساس دستورالعمل پریزما 2020 انجام شد. پس از حذف مطالعات تکراری، عناوین، چکیده ها و متون کامل مقالات براساس معیارهای ورود و خروج بررسی شدند و درنهایت 44 مطالعه وارد تحلیل شدند. کیفیت مطالعات با استفاده از چک لیست مؤسسه جوآنا بریگز ارزیابی شد و سنتز داده ها به صورت کیفی و روایت محور انجام گرفت</span>.</span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">روش های انتخاب برای مطالعه: </span></b><span lang="AR-SA">استخراج داده ها در پنج محور اصلی نوع الگوریتم های پردازش تصویر، ارزیابی&nbsp;</span></span></span><span style="direction:rtl"><span style="unicode-bidi:embed"><span lang="AR-SA">بالینی و حضور پزشک در تیم تحقیق و نیازهای فنی و اقتصادی سیستم ها متمرکز بود</span>.</span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">ترکیب مطالب و نتایج: </span></b><span lang="AR-SA">یافته ها نشان داد که بیشترین کاربرد داده کاوی در پیشبینی و تشخیص بیماری های قلبی و عروقی، دیابت، بیماری های کلیوی، سرطان ها و سایر بیماری های مزمن بوده است. داده های مورد استفاده عمدتاًً شامل داده های بالینی ساخت یافته و پرونده های الکترونیکی سلامت بودند. الگوریتم های پرکاربرد شامل درخت تصمیم، نیوی بیز، ماشین بردار پشتیبان، شبکه های عصبی و جنگل تصادفی بودند. مطالعات جدیدتر، علاوه بر دقت پیشبینی، بر تفسیرپذیری مدل ها، انتخاب ویژگی و کاربرد بالینی نتایج با استفاده از روش هایی مانند شاپ و لایم تمرکز داشته اند. همچنین هیچ الگوریتمی در تمامی مسائل برتری مطلق نشان نداد و عملکرد مدل ها به نوع بیماری، کیفیت داده ها و روش های پیش پردازش وابسته بود</span>.</span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">نتیجه گیری: </span></b><span lang="AR-SA">نتایج این مرور نظام مند نشان داد که داده کاوی می تواند نقش مؤثری در تشخیص زود هنگام بیماری ها و پشتیبانی از تصمیم گیری بالینی ایفا کند. بااین حال، چالش هایی مانند ناهمگونی داده ها، کیفیت اطلاعات و محدودیت های پیاده سازی بالینی همچنان وجود دارد. توسعه زیرساخت های داده، استاندارد سازی اطلاعات سلامت و توجه بیشتر به تفسیرپذیری مدل ها برای استفاده مؤثر از داده کاوی در نظام سلامت ضروری است</span>.</span></span></span></span></span><br> &nbsp;</div> <div style="text-align: justify;"><span style="font-size:14px;"><span style="line-height:2;"><span style="font-family:Times New Roman;"><span style="unicode-bidi:embed"><span new="" roman="" times=""><strong>Introduction</strong>: This study aimed to systematically review the applications of data mining in disease prediction and diagnosis within the healthcare domain.<br> Information sources or data: A systematic search was conducted in PubMed, Scopus, ScienceDirect, and Magiran databases for studies published between 2010 and 2025.<br> <strong>Selection methods for study:</strong> This study was conducted based on the PRISMA 2020 guidelines. After removing duplicate studies, the titles, abstracts, and full texts of articles were screened according to the inclusion and exclusion criteria, and finally, 44 studies were included in the analysis. Study quality was assessed using the Joanna Briggs Institute checklist, and data synthesis was performed using a qualitative narrative approach.<br> <strong>Combine content and results:</strong> The findings showed that data mining was most frequently applied to the prediction and diagnosis of cardiovascular diseases, diabetes, kidney diseases, cancers, and other chronic conditions. The data used mainly consisted of structured clinical data and electronic health records. Commonly used algorithms included decision trees, Na&iuml;ve Bayes, support vector machines, neural networks, and random forests. More recent studies, in addition to predictive accuracy, focused on model interpretability, feature selection, and the clinical applicability of results using methods such as SHAP and LIME. Furthermore, no single algorithm demonstrated absolute superiority across all problems, and model performance depended on disease type, data quality, and preprocessing methods.<br> <strong>Conclusion:</strong> The results of this systematic review showed that data mining can play an effective role in early disease diagnosis and clinical decision-making support. However, challenges such as data heterogeneity, information quality, and limitations in clinical implementation still remain. The development of data infrastructures, standardization of health information, and greater attention to model interpretability are essential for the effective use of data mining in healthcare systems.</span></span></span></span></span></div> داده‌کاوی, تحلیل داده, سلامت, پیش‌بینی بیماری Data Mining, Data Analysis, Healthcare, Disease Prediction 0 0 http://jmis.hums.ac.ir/browse.php?a_code=A-10-998-1&slc_lang=fa&sid=1 Mohamad Hossein Ronaghi محمدحسین رونقی mh_ronaghi@shirazu.ac.ir 100319475328460014026 100319475328460014026 Yes Department of Management, School of Economics Management and Social Sciences, Shiraz University, Shiraz, Iran. گروه مدیریت، دانشکده اقتصاد مدیریت و علوم اجتماعی، دانشگاه شیراز، شیراز، ایران. Ahmad Reza Malekpoor احمدرضا ملک پور Ahmadrezamalekpor79@gmail.com 100319475328460014027 0009-0004-0654-7522 No Department of Management, School of Economics Management and Social Sciences, Shiraz University, Shiraz, Iran. گروه مدیریت، دانشکده اقتصاد مدیریت و علوم اجتماعی، دانشگاه شیراز، شیراز، ایران.