مدلی برای پیش بینی نیاز به جراحی ارتوپدی با استفاده از تکنیک های داده کاوی
محورهای موضوعی : آینده پژوهی
سید سینا فاطمی رضوی
1
(
برنامه نویس دات نت در گروه شرکت های طرفه نگار
)
سید عبداله امین موسوی
2
(
استادیار دانشگاه آزاد اسلامی واحد علوم وتحقیقات تهران
)
کلید واژه: ارتوپدی, داده کاوی, درمان جراحی,
چکیده مقاله :
با گسترش استفاده از رایانه در جنبه های مختلف زندگی افراد، حجم بسیار زیادی از داده ها تولید می شود که در بسیاری از اوقات این داده ها شامل اطلاعات ارزشمندی هستند. برای استخراج این اطلاعات و بهره بردن از آنها می توان از علم داده کاوی1 بهره برد. با استفاده از داده کاوی می توان، الگوهای پنهان موجود در داده ها را کشف نمود و برای پیش بینی موارد جدید مورد استفاده قرار داد. از جمله حوزه هایی که با تولید حجم انبوه داده ها روبرو می باشد، حوزه ی درمان است. در این پژوهش به طور خاص در زمینه ی ارتوپدی تمرکز خواهد شد. این تحقیق به دنبال این است که با استفاده از تکنولوژی و تکنیک های داده کاوی بتواند از داده موجود در دیتابیس بیمارستان به اطلاعات ارزشمندی دست یابد و از طریق آن اطلاعات بتواند احتمال شکستگی و همچنین نیازمند بودن بیمار به جراحی را پیش بینی کند و تصمیم گیری را برای پزشکان ساده تر و سریع تر کند. بدین صورت می توان با سرعت و دقت بالاتری نسبت به روش های موجود به تفکیک بیماران و ارائه ی خدمات به آن ها پرداخت. این پژوهش بر مبنای متدولوژی CRISP بنا نهاده شده است و نتایج حاصل از تحقیق بیانگر این امر است که استفاده ی تلفیقی از الگوریتم های CHAID و شبکه ی عصبی2 تقویت شده با روش تجمعی3 Boosting، می تواند دقت مطلوبی در پیش بینی نیاز به جراحی در بیماران ارتوپدی را ارائه دهد.
By expanding the use of computers in various aspects of people's lives, a huge amount of data is generated. Mostly this data contains valuable information. Data mining can enable us to extract required information and benefit from them. Data mining enables us to identify hidden patterns in data sets and use them for prediction. One of the areas that is faced with the massive production of data is the area of treatment. This study will focus in particular on orthopedics. This research is looking for using technology and data mining techniques from existing data in hospital's database to reach valuable information and predict possibility of breaks which require orthopedics surgery. This may support doctors to make their decisions easier, faster and more accurately in serving patients. This research is conducted by using the CRISP methodology. The result of this research shows that the combination of the CHAID algorithm and the Boosting cumulative amplified neural network can provide the desired accuracy in prediction of the need for orthopedics surgery.
_||_
