Payavard Salamat

fa طراحی سیستم تصمیم یار بالینی تشخیص سرطان پستان: رویکردی مبتنی بر داده کاوی Design of Clinical Decision Support System to Diagnose Breast Cancer: An Approach Using Data Mining فناوری اطلاعات سلامت Health Information Technology پژوهشی اصيل Original Research <div style="text-align: justify;">زمینه و هدف: سرطان پستان یکی از رایج‌ترین و تهاجمی‌ترین بدخیمی‌ها در خانم‌ها می‌باشد. تشخیص به‌موقع سرطان پستان نقش مهمی در جلوگیری از پیشرفت این بیماری، اقدامات درمانی به‌موقع و در نتیجه کاهش میزان مرگ‌ومیر این بیماران دارد. یادگیری ماشین، قابلیت بالایی در تشخیص سریع و هزینه اثربخش بیماری‌ها دارد. هدف این مطالعه، طراحی سیستم تصمیم‌یار بالین (CDSS) Clinical Decision Support System بر اساس قوانین استخراج‌شده از الگوریتم منتخب درخت تصمیم با بهترین عملکرد به‌منظور تشخیص به‌موقع و مؤثر سرطان پستان است. روش بررسی: داده‌های ۵۹۷ فرد مشکوک به سرطان پستان(۲۵۵ بیمار مبتلا و ۳۴۲ فرد سالم) به‌صورت گذشته‌نگر از پایگاه داده الکترونیکی بیمارستان آیت‌الله طالقانی شهر آبادان در قالب ۲۴ ویژگی عمدتاً سبک زندگی و سوابق پزشکی استخراج شد. پس از انتخاب مهم‌ترین متغیرها از طریق کای دو پیرسون و تحلیل واریانس یک‌طرفه(۰/۰۵>P)، عملکرد الگوریتم‌های منتخب داده‌کاوی شامل (Random Forest (RF)، J-۴۸، Decision Stump (DS)، Rep-Tree (RT و XG-Boost برای تشخیص سرطان پستان در بستر نرم‌افزار ۳.۴ Weka تحلیل شد. در نهایت سیستم تشخیصی سرطان پستان بر اساس بهترین مدل و از طریق زبان برنامه‌نویسی سی شارپ و چارچوب ۳.۵.۴ Dot Net Framework طراحی گردید. یافته‌ها: ۱۴ متغیر شامل سابقه‌ی فردی سرطان پستان، سابقه‌ی نمونه‌برداری از سینه، سابقه‌ی رادیوگرافی از قفسه‌ی سینه، سابقه‌ی فشارخون، افزایش کلسترول خون LDL (low-density lipoprotein)، وجود توده در ربع فوقانی داخلی سینه، هورمون‌درمانی با استروژن، هورمون‌درمانی با استروژن-پروژسترون، سابقه‌ی خانوادگی سرطان پستان، سن، سابقه‌ی سرطان‌های دیگر، نسبت اندازه‌ی دور کمر به دور باسن و مصرف میوه و سبزی ارتباط معناداری را باکلاس خروجی در سطح ۰۵/۰>P نشان دادند. بر اساس نتایج حاصل از ارزیابی عملکرد الگوریتم‌های منتخب، مدل RF با میزان حساسیت، ویژگی، صحت و اندازه F به‌ترتیب برابر با ۰/۹۷، ۰/۹۹، ۰/۹۸ و ۰/۹۷۴ و ۰/۹۳۶ =(Area Under the Receiver Operator Characteristics (ROC) Curve (AUC عملکرد بالاتری نسبت به سایر الگوریتم‌های منتخب داشته است و به‌عنوان مدل برتر برای تشخیص سرطان پستان پیشنهاد شد. نتیجه‌گیری: به‌نظر می‌رسد که استفاده از متغیرهای تعدیل‌پذیر مانند سبک زندگی و ویژگی‌های هورمونی-تولیدمثلی به‌عنوان ورودی الگوریتم RF برای طراحی CDSS بتواند با صحت بهینه موارد سرطان پستان را تشخیص دهد. به‌علاوه سیستم پیشنهادی به‌طور مؤثر در محیط‌های واقعی بالینی برای تشخیص سریع و مؤثر بیماری قابل اقتباس باشد.</div> <div style="text-align: justify;">Background and Aim: Breast cancer is one of the most common and aggressive malignancies in women. Timely diagnosis of breast cancer plays an important role in preventing the progression of this disease, timely treatment measures, and aftermath reducing the mortality rate of these patients. Machine learning has the potential ability to diagnose diseases quickly and cost-effectively. This study aims to design a CDSS based on the rules extracted from the decision tree algorithm with the best performance to diagnose breast cancer in a timely and effective manner. Materials and Methods: The data of 597 suspected people with breast cancer (255 patients and 342 healthy people) were retrospectively extracted from the electronic database of Ayatollah Taleghani Hospital in Abadan city with 24 characteristics, mainly pertained to lifestyle and medical histories. After selecting the most important variables by using the Chi-square Pearson and one-way analysis of variance (P<0.05), the performance of selected data mining algorithms including RF, J-48, DS, RT and XG -Boost was evaluated for breast cancer diagnosis in Weka 3.4 software. Finally, the breast cancer diagnostic system was designed based on the best model and through C# programming language and Dot Net Framework V3.5.4. Results: Fourteen variables including personal history of breast cancer, breast sampling, and chest X-ray, high blood pressure, increased LDL blood cholesterol, presence of mass in upper inner quadrant of the breast, hormone therapy with estrogen, hormone therapy with Estrogen-progesterone, family history of breast cancer, age, history of other cancers, waist-to-hip ratio and fruit and vegetable consumption showed a significant relationship with the output class at the P<0.05. Based on the results of the performance evaluation of selected algorithms, the RF model with sensitivity, specificity, accuracy, and F- measure equal to 0.97, 0.99, 0.98, 0.974, respectively, AUC=0.936 had higher performance than other selected algorithms and was suggested as the best model for breast cancer diagnosis. Conclusion: It seems that using modifiable variables such as lifestyle and reproductive-hormonal characteristics as input to the RF algorithm to design the CDSS, can detect breast cancer cases with optimal accuracy. In addition, the proposed system can be effectively adapted in real clinical environments for quick and effective disease diagnosis.</div> سرطان پستان, داده کاوی, مدل تشخیصی, سیستم تصمیم‌یار بالینی Breast Cancer, Data Mining, Diagnostic Model, Clinical Decision Support System 145 158 http://payavard.tums.ac.ir/browse.php?a_code=A-10-1910-3&slc_lang=fa&sid=1 Mostafa Shanbehzadeh مصطفی شنبه زاده No Assistant Professor, Department of Health Information Technology, School of Allied Medical Sciences, Ilam University of Medical Sciences, Ilam, Iran استادیار گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی ایلام، ایلام، ایران Hadi Kazemi-Arpanahi هادی کاظمی آرپناهی No Assistant Professor, Department of Health Information Technology, School of Health Management and Information Sciences, Abadan University of Medical Sciences, Abadan, Iran استادیار گروه فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی آبادان، آبادان، ایران Raoof Nopour رئوف نوپور nopoor.r@iums.ac.ir Yes Ph.D. Candidate in Health Information Management, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran دانشجوی دکتری مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران