کد مقاله : 1402062844093 بازدید : 128 صفحه: 1 - 19

نوع مقاله: پژوهشی

ارائه مدلی برای پیش بینی بقای بیماران مبتلا به ملانوم بر اساس الگوریتم های داده کاوی

محورهای موضوعی : فناوری اطلاعات و ارتباطات

فریناز صناعی ¹ (دانشجوی دکتری رشته مدیریت فناوری اطلاعات،گرایش کسب کار هوشمند ، گروه مدیریت فناوری اطلاعات ،دانشکده مدیریت واقتصاد، واحد علوم تحقیقات، دانشگاه آزاد اسلامی،تهران ،ایران)
سید عبدالله امین موسوی ² (عضو هیات علمی( استادیار) ،گروه مدیریت صنعتی ، دانشکده مدیریت ، واحد تهران مرکز، دانشگاه آزاد اسلامی،تهران،ایران)
عباس طلوعی اشلقی ³ (دانشگاه آزاد اسلامی واحد علوم و تحقیقات)
علی رجب زاده قطری ⁴ (Tarbiat Modarres University)

تاریخ دریافت : 1401/07/14 تاریخ پذیرش : 1401/11/28 تاریخ انتشار : 1402/06/28

کلید واژه: داده کاوي, پیش بیني, ملانوم, بقاي بیماري, شبکه عصبي, درخت تصمیم گیري,

چکیده مقاله :

مقدمه: ملانوم جزء شایعترین سرطان تشخیصي و دومین علت مرگ ناشي از سرطان در میان افراد است. تعداد مبتلایان به آن در حال افزایش است. ملانوم، نادرترین و بدخیم ترین نوع سرطان پوست است.در شرایط پیشرفته توانایي انتشار به ارگانهاي داخلي را دارد و ميتواند منجر به مرگ شود. طبق برآوردهاي انجمن سرطان آمریکا براي ملانوم در ایالاتمتحده براي سال 2022 عبارتاند از: حدود 99،780 ز افراد مبتلابه ملانوم تشخیص داده شدند و حدود 7،650 نفر در اثر ملانوم جان خود را از دست ميدهند. لذا هدف از این مطالعه، طراحي بهبود دقت الگوریتم براي پیش بیني بقاي این بیماران است. روش پژوهش: روش حاضر کاربردي، توصیفي- تحلیلي و گذشتهنگر است. جامعه پژوهش را بیماران مبتلابه سرطان ملانوم پایگاه داده مرکز تحقیقات کشوري سرطان دانشگاه شهید بهشتي ) 1۳87 تا 1۳91 ( که تا 5 سال مورد پیگیري قرارگرفته بودند، تشکیل داده است. مدل پیشبیني بقاي ملانوم بر اساس شاخص هاي ارزیابي الگوریتم هاي داده کاوي انتخاب شد. یافته ها: الگوریتم هاي شبکه عصبي، بیز ساده، شبکه بیزي، ترکیب درخت تصمیم گیري با بیز ساده، رگرسیون لجستیک، J48 ، ID3 بهعنوان مدل هاي استفاده شده ي پایگاه داده کشور انتخاب شدند . عملکرد شبکه عصبي در همه شاخصهاي ارزیابي ازلحاظ آماري نسبت به سایر الگوریتم هاي منتخب بالاتر بود. نتیجه گیري: نتایج مطالعه حاضر نشان داد که شبکه عصبي با مقدار 97 / 0 ازلحاظ دقت پیش بیني عملکرد بهینه دارد. بنابراین مدل پیش بیني کننده بقاي ملانوم، هم ازلحاظ قدرت تمایز و هم ازلحاظ پایایي، عملکرد بهتري از خود نشان داد؛ بنابراین، این الگوریتم به عنوان مدل پیش بیني بقاي ملانوم پیشنهاد شد

چکیده انگلیسی:

Background/Purpose: Among the most commonly diagnosed cancers, melanoma is the second leading cause of cancer-related death. A growing number of people are becoming victims of melanoma. Melanoma is also the most malignant and rare form of skin cancer. Advanced cases of the disease may cause death due to the spread of the disease to internal organs. The National Cancer Institute reported that approximately 99,780 people were diagnosed with melanoma in 2022, and approximately 7,650 died. Therefore, this study aims to develop an optimization algorithm for predicting melanoma patients' survival. Methodology: This applied research was a descriptive-analytical and retrospective study. The study population included patients with melanoma cancer identified from the National Cancer Research Center at Shahid Beheshti University between 2008 and 2013, with a follow-up period of five years. An optimization model was selected for melanoma survival prognosis based on the evaluation metrics of data mining algorithms. Findings: A neural network algorithm, a Naïve Bayes network, a Bayesian network, a combination of decision tree and Naïve Bayes network, logistic regression, J48, and ID3 were selected as the models used in the national database. Statistically, the studied neural network outperformed other selected algorithms in all evaluation metrics. Conclusion: The results of the present study showed that the neural network with a value of 0.97 has optimal performance in terms of reliability. Therefore, the predictive model of melanoma survival showed a better performance both in terms of discrimination power and reliability. Therefore, this algorithm was proposed as a melanoma survival prediction model.

منابع و مأخذ:

1. Zamanian Azodi M, Azizi Jalilian F. Early detection of cancer and proteomics. Journal of Ilam University of Medical Sciences 2013; 21 (1): 112-22. (Persian)
2. Shariatzadeh MA, Hamta A, Solimani M, et al. Determination of chromosomal changes in DMBA-induced skin cancer in SD rat strains. J Arak Uni Med Sci 2009; 12 (2): 73-87. (Persian)
3. Howlader N, N.A., Krapcho M, Miller D, Brest A, Yu M, Ruhl J, Tatalovich Z, Mariotto A, Lewis DR, Feuer EJ, Cronin KA. SEER Cancer Statistics Review, 19752016. 2018 December, 11, 2019 2020].
4. Seyed Elham Hosseini Fadafen, Emad Fatemizadeh, “Diagnosis of skin cancer by extracting features from images“Shhab Dansh Institute(2016)
5 Hoseini. (25/06/1391). Available: http://www.fbme.ir/category/6' target='blank'>http://www.fbme.ir/category/6. [1] A. Hoseini. (25/06/1391). Available: http://www.fbme.ir/category/6' target='blank'>http://www.fbme.ir/category/6
6. David A. Kirchar DA, Mark R, et al. Melanoma brain metastasis: mechanisms, models and medicine. J Mol Sci 2016; 17 (7): 1-29.
7 .Wrobel, S., M. Przybylo, and E. Stepien, The Clinical Trial Landscape for Melanoma Therapies. J Clin Med, 2019. 8(3).
8. Longo D, Casper D, Jameson L, et al. Harrison’s principles of internal medicine.18th ed. New york; Mc Graw-Hill 2012; 1945-65.
9. L. Sophia, and M. S. Pallavi. “Predicting Protein in Cancer Diagnosis Using Effective Classification and Feature Selection Technique,” IEEE International Conference on Communication and Signal Processing (ICCSP), pp. 156-159, 2018
10. Burd, C.E., et al., Mutation-Specific RAS Oncogenicity Explains NRAS Codon 61 Selection in Melanoma. Cancer Discovery, 2014. 4(12): p. 1418.
11. S. Winiarti, H. Yuliansyah, and A. A. Purnama, “Identification of Toddlers’ Nutritional Status using Data Mining Approach,” International Journal of Advanced Computer Science and Applications, Vol. 9, No. 1, pp. 164 - 169, 2018.

12. Kim, R. H. & Meehan, S. A. Immunostain use in the diagnosis of melanomas referred to a tertiary medical center: a 15-year retrospective review (2001–2015). J. Cutan. Pathol. 44, 221–227 (2017).
13. Roebuck H, Moran K, MacDonald DA, Shumer S, McCune RL. Assessing Skin Cancer Prevention and Detection Educational Needs: An Andragogical Approach. The Journal for Nurse Practitioners. 2015;11(4):40916
14. Alizadeh S, Ghazanfari M & Teimorpour B. Data mining and knowledge discovery. 2nd ed. Tehran: Publication of Iran University of Science and Technology; 2011: 70-250[Book in Persian].

15. Witten I. Frank E.Hall M. Data mining : Practical machin learning tools techniques: Morgan Kaufinann: 2011
16. Habif, T.P., Campbell, J.L., Chapman, S., and Dinulos, J., Skin disease: diagnosis and treatment, Elsevier Mosby, 2010 .
17. Han J. Kamber M,Pei J. Data mining: Concepts and techniques: Publishers Inc.: 2011
18. Razavi AR Applications of knowledge discovery in quality registries - predicting recurrence of breast cancer and analyzing non-compliance with a clinical guideline: Institutionen för medicinsk teknik; 2015.

19 Masilamani, G. D. Praveenkumar, and R.Gayathri. “Comparative Study on Skin Cancer Using the Approach of Data Mining,” Int. J. Res. Appl. Sci. Eng. Tech, no. 4, 2016
20. Liu Peng LL. A review of missing data treatment methods .2005
21 Ameri H, Alizadeh S & Barzegari A. Knowledge extraction of diabetics’ data by decision tree method. Health Management
2013; 16(53): 58-72[in Persian]
22. Magnani M. Techniques for dealing with missing . Data in knowledge discovery Department of Computer Science, Universitiy of Bologna.2004
23 K. Q. Kanaan. “Classification of human skin diseases using data mining,” International Journal of Advanced Engineering Research and Sci, Vol. 4, no. 1, 2017.

24. Aftarczuk K, Kozierkiewicz A. Evaluation of selected data mining algorithms implemented in Medical Decision Support Systems. Report of Institute of Information Science & Engineering, University of Technology. Wroclaw 2009; (1).

25. Mahmoodi MS, Mahmoodi SA, Haghighi F, Mahmoodi SM. Determining the stage of breast cancer by data mining algorithms. ijbd. 2014;7(2):36-44.
26. Sarafi Nejad A, Saeid AH, Rose I.M, Rowhanimanesh AR. Modeling a Data Mining Decision Tree and Propose a New Model for the Diagnosis of Skin Cancer by Immunohistochemical Staining Methods. Journal of Health and Biomedical Informatics 2014; 1(1): 54-62.[Persian].
27. Dehghan P, Mogharabi M, Zabbah I, Layeghi K & Maroosi A. Modeling Breast cancer using data mining methods. Journal of Health and Biomedical Informatics 2018; 4(4): 266-78[Article in Persian].
28. Tahmasebian S, Ghazisaeedi M, Langarizadeh M, Mokhtaran M, Mahdavi-Mazdeh M, Javadian P. Applying data mining techniques to determine important parameters in chronic kidney disease and the relations of these parameters to each other. J Renal Inj Prev 2017; 6(2): 83–7.
29. Martınez AM, Webb GI, Chen S, Zaidi NA. Scalable learning of Bayesian network classifiers. Journal of Machine Learning Research. 2016;17(44):1-35
30. Finkelstein J, Jeong IC. Machine learning approaches to personalize early prediction of asthma exacerbations. Ann N Y Acad Sci 2017;1387(1):153- 65.
31. Ahmed K, Jesmin T, Rahman MZ. Early Prevention and Detection of Skin Cancer Risk using Data Mining. International Journal of Computer Applications 2013;62(4):1 -6.
32. Gopalakrishnan, V. et al. Gut microbiome modulates response to anti-PD-1 immunotherapy in melanoma patients. Science 359, 97–103 (2018).
33. Hira Beenish, Muhammad Fahadad International Conference on Computing and Information Technology, University o f Tabuk, Kingdom o f Saudi Arabia. Volume: 01, Issue: ICCIT- 1441, Page No.: 44 - 47, 9 & 1 9 Sep. 2020
34. McLaughlin JM, Fisher JL, Paskett ED. Marital status and stage at diagnosis of cutaneous melanoma: results from the Surveillance Epidemiology and End Results (SEER) program, 1973–2006. Cancer. 2011;117(9):1984–
1993

35. Chen, S., et al., Targeting MC1R depalmitoylation to prevent melanomagenesis in
redheads. Nature Communications, 2019. 10(1): p. 877.
36. N. R. Aaron, and T. M. Khoshgoftaar, “Modernizing analytics for melanoma with a large-scale research dataset,” In 2017 IEEE International Conference on Information Reuse and Integration (IRI), pp. 551 - 558, 2017.

37. Thongkam J. Xu GD, Zhang YC,Huang FC Toward breast cancer survivability prediction models through improving training space. 2009 Dec:36(10):12200-9.
38. Gibert K, Sanchez-Marre M, Codina V editors . Choosing the right data mining technique: Classification of methods and intelligent recommendation. Proceeding the IEMSs fifth biennial meeting international congress on environmental modeling and software ;2015

39. Witten I. Frank E.Hall M. Data mining : Practical machine Learning tools and techniques: Morgan Kaufinann: 2011.
40 Lee, C., Collichio, F., Ollila, D. & Moschos, S. Historical review of melanoma treatment and outcomes. Clin. Dermatol. 31, 141–147 (2013).

410 Dehghan P, Mogharabi M, Zabbah I, Layeghi K & Maroosi A. Modeling Breast cancer using data mining methods. Journal of Health and Biomedical Informatics 2018; 4(4): 266-78[Article in Persian].
42. H. Safigholi, A. S. Meigooni, and W. Y. J. M. p. Song, "Comparison of 192Ir, 169Yb, and 60Co high-dose rate brachytherapy sources for skin cancer treatment," vol. 44, no. 9, pp. 4426-4436, 2017.
43. Kasạcian A, Abadi A-R ، Mehrabi Y ،Mousavi-Jarahi A-R. Estimating to relative survival of skin cancer patients referring to imam khomeini cancer institute during 1990-95 Knowledge & Health. 2009:4(3):1-7. [In Persian].
44. U.-O. Dorj, K.-K. Lee, J.-Y. Choi, M. J. M. T. Lee, and Applications, "The skin cancer classification using deep convolutional neural network," pp. 1-16, 2018.
45. Jonsdottir T. Hvannberg ET, Sigurdsson H, Sigurdsson S. The feasibility of constructing a predictive outcome model for breast cancer using the tools of data mining . Expert Systems with Applications. 2008 Jan;34(1):108-18.
46. Yu CT, Chao CM, Cheng BW. Prediction of surv using three artificial intelligence techniques. Journal of Theoretical and applied Information Technology. 2014;60(1):179-83. 99.
47. Zhe Tang, Yuancheng Su, Er Meng Joo, Fang Qi,Li Zhang, Jianyong Zhou, “A local binary pattern based texture descriptors for classification of tea leaves”, NEUCOM15529, May. 2015.

48. Maimon O.Rokach L.Data mining and knowledge discover handbook;springer Verlag New York, Inc.; 2010

49. Kim, R. H. & Meehan, S. A. Immunostain use in the diagnosis of melanomas referred to a tertiary medical center: a 15-year retrospective review (2001–2015). J. Cutan. Pathol. 44, 221–227 (2017).
550. Gopalakrishnan, V. et al. Gut microbiome modulates response to anti-PD-1 immunotherapy in melanoma patient Science 359,97-103(2018).

51. MK Keleş, Tehnički vjesnik, Breast Cancer Prediction and Detection Using Data Mining Classification Algorithms, 2019, Sarıçam Adana, Turkey

متن کامل:

دو فصلنامه علمي

فناوري اطلاعات و ارتباطات ایران

سال پانزدهم، شماره ‌57 و58 ، پاییز و زمستان 1402

صفحات:1 الی19

$E:\E Drive\logo\iicta Logo0.JPG$

Design and implementation of a survival model for patients with melanoma based on data mining algorithms

Farinaz Sanaei*, Seyyed Abdolah Amin Mousavi**, Abbas Toloie Eshlaghi***, Ali Rajabzadeh Ghatari****

*Ph.D. student, Information Technology Management, Department of Information Technology Management, Faculty of Management and Economics, Islamic Azad University, Science and Research Branch, Tehran, Iran

**Assistant Professor, Department of Industrial Management, Faculty of Management, Islamic Azad University, Central Tehran Branch, Tehran, Iran

***Professor, Department of Information Technology Management, Faculty of Management and Economics, Islamic Azad University, Science and Research Branch, Tehran, Iran

****Professor, Industrial Management Department, Faculty of Management and Economics, Tarbiat Modares University, Tehran, Iran

Abstract

Methodology: This applied research was a descriptive-analytical and retrospective study. The study population included patients with melanoma cancer identified from the National Cancer Research Center at Shahid Beheshti University between 2008 and 2013, with a follow-up period of five years. An optimization model was selected for melanoma survival prognosis based on the evaluation metrics of data mining algorithms.

Findings: A neural network algorithm, a Naïve Bayes network, a Bayesian network, a combination of decision tree and Naïve Bayes network, logistic regression, J48, and ID3 were selected as the models used in the national database. Statistically, the studied neural network outperformed other selected algorithms in all evaluation metrics.

Conclusion: The results of the present study showed that the neural network with a value of 0.97 has optimal performance in terms of reliability. Therefore, the predictive model of melanoma survival showed a better performance both in terms of discrimination power and reliability. Therefore, this algorithm was proposed as a melanoma survival prediction model.

Keywords: data mining, prediction, melanoma, disease survival, neural network, decision tree.

ارائه مدلی برای پیش‌بینی بقای بیماران مبتلابه ملانوم بر اساس الگوریتم‌های داده‌کاوی

فریناز صناعی*، سید عبداله امین موسوی**×، عباس طلوعی اشلقی***، علی رجب‌زاده قطری****

*دانشجوی دکتری مدیریت فناوری اطلاعات، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

** استادیار، گروه مدیریت صنعتی، دانشکده مدیریت، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران

استاد، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران

استاد، گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران

تاریخ دریافت:14/07/1401 تاریخ پذیرش:28/11/1401

نوع مقاله:پژوهشی

چکیده

مقدمه: ملانوم جزء شایع‌ترین سرطان تشخیصی و دومین علت مرگ ناشی از سرطان در میان افراد است. تعداد مبتلايان به آن در حال افزايش است. ملانوم، نادرترين و بدخیم‌ترین نوع سرطان پوست است.در شرايط پيشرفته توانايي انتشار به ارگان‌های داخلي را دارد و می‌تواند منجر به مرگ شود. طبق برآوردهای انجمن سرطان آمریکا برای ملانوم در ایالات‌متحده برای سال 2022 عبارت‌اند از: حدود 99،780 ز افراد مبتلابه ملانوم تشخیص داده شدند و حدود 7،650 نفر در اثر ملانوم جان خود را از دست می‌دهند. لذا هدف از این مطالعه، طراحی بهبود دقت الگوریتم برای پیش‌بینی بقای این بیماران است.

روش پژوهش: روش حاضر کاربردی، توصیفی- تحلیلی و گذشته‌نگر است. جامعه پژوهش را بیماران مبتلابه سرطان ملانوم پایگاه داده مرکز تحقیقات کشوری سرطان دانشگاه شهید بهشتی (۱۳۸7 تا ۱۳91) که تا ۵ سال مورد پیگیری قرارگرفته بودند، تشکیل داده است. مدل پیش‌بینی بقای ملانوم بر اساس شاخص‌های ارزیابی الگوریتم‌های داده‌کاوی انتخاب شد.

یافته‌ها: الگوریتم‌های شبکه عصبی، بیز ساده، شبکه بیزی، ترکیب درخت تصمیم‌گیری با بیز ساده، رگرسیون لجستیک، J48، ID3 به‌عنوان مدل‌های استفاده‌شده‌ی پایگاه داده کشور انتخاب شدند. عملکرد شبکه عصبی در همه شاخص‌های ارزیابی ازلحاظ آماری نسبت به سایر الگوریتم‌های منتخب بالاتر بود.

نتیجه‌گیری: نتایج مطالعه حاضر نشان داد که شبکه عصبی با مقدار 97/0 ازلحاظ دقت پیش‌بینی عملکرد بهینه دارد. بنابراین مدل پیش‌بینی کننده بقای ملانوم، هم ازلحاظ قدرت تمایز و هم ازلحاظ پایایی، عملکرد بهتری از خود نشان داد؛ بنابراین، این الگوریتم به‌عنوان مدل پیش‌بینی بقای ملانوم پیشنهاد شد.

واژگان کلیدی: داده‌کاوی، پیش‌بینی، ملانوم، بقای بیماری، شبکه عصبی، درخت تصمیم‌گیری

×نویسنده مسئول:سید عبداله امین موسوی ، a.mousavi@iauctb.ac.ir

1. مقدمه

سرطان به گروهی از بیماری‌ها اطلاق می‌شود که با رشد کنترل نشده و گسترش سلول‌های غیرطبیعی مشخص می‌گردد. چنانچه این رشد غیرطبیعی مهار نشود به مرگ منجر می‌شود]1[. ملانوم بدخیم کشنده و تهاجمی‌ترین نوع سرطان پوست است ]2[.

خطرناک‌ترین ویژگی ملانوم این است که میتواند به‌طور گسترده‌ای در سراسر بدن از طریق عروق لنفاوی و رگ‌های خونی گسترش یابد؛ بنابراین تشخیص زودهنگام یک عامل کلیدی برای پیش‌آگهی این بیماری است]3[.

برآوردهای انجمن سرطان آمریکا برای ملانوم در ایالات‌متحده برای سال 2022 عبارت‌اند از: حدود 99،780 ملانوم جدید تشخیص داده می‌شود (حدود 57180 نفر در مردان و 42600 نفر در زنان). انتظار می‌رود حدود 7650 نفر در اثر ملانوم (حدود 5080 مرد و 2570 زن) جان خود را از دست دهند. نرخ ملانوم طی چند دهه گذشته به‌سرعت در حال افزایش است، اما این با افزایش سن متفاوت بوده است ]4[.

درحالحاضر با توجه به کشنده بودن ملانوم در ایران، این بیماری عامل مهم مرگ‌ومیر و آسیب‌های اجتماعی خواهد بود، لذا بهداشت سرطان و تصمیم‌گیری مدیریت هوشمند از مهم‌ترین اولویت‌های نظام سلامت کشور است و پیشگیری، غربالگری و درمان اولیه سرطان از اولویت بالایی برخوردار است]5[. این مهم نیازمند شناخت عوامل مؤثر بر بروز ملانوم بوده و اگر این شناخت در قالب مدل‌های داده‌کاوی ارائه گردد، از دقت وکارآیی بیشتری برخوردار خواهد بود. برقراری نظام ملی ثبت سرطان، به‌طوری‌که دربرگیرنده کلیه‌ی عوامل مؤثر بر بروز ملانوم باشد، میتواند در شناخت الگوی حاکم بر بروز ملانوم مؤثر بوده و چنانچه الگوی موردنظر به‌درستی تبیین شود می‌تواند نقش بسزایی در کاهش بروز ملانوم داشته باشد.

پيشرفت فنّاوری آسیب‌شناسی پوستي نقش قابل‌توجهی در تشخيص و بالا بردن نرخ بقا در اين بيماري داشته است. براي مثال، بيماران ‌مبتلابه ‌ملانوم كمتر يا برابر با 75/0 میلی‌متر ضخامت،‌ یک ‌پیش‌آگهی خوب داشته است]6[؛ و بيشتر از %93 از آن‌ها ميزان بقاي 5 ساله خود رادارند ]7[. بنابراين، تشخيص زودهنگام براي كاهش مرگ‌ومیر مربوط به ملانوم بسيار مهم است]8[. درپژوهشحاضر،برای اولین بار در کشور، با اعمال الگوریتم‌های داده‌کاویبرپایگاهداده‌یکشور و مقایسه مدل‌های پیش‌بینی، دقیق‌ترین مدل بقای ملانوم استفاده شد تا سیاست‌گذاران بهداشتی، کشورها در کنترل هر چه‌بهتر مرگ‌ومیر سرطان پوست افزایش کیفیت زندگی، امید به زندگی بیماران و مدیریت بهینه تصمیم‌گیری کسب‌وکار و صنعت‌سلامت یاری نماید]9[. با‌پیشرفت‌هاییکهدرزمینهی داده‌کاوی صورت گرفته است، ثابت‌شده که روش‌های به‌کاررفته، ازلحاظ ‌قدرت‌ و صحت پیش‌بینی بقا، عملکرد بهتری دارند]10[. همچنین به علت وجود روابط غیرخطی بین متغیرهای پیش‌بینی کننده و متغیر هدف، روش‌های استفاده‌شده در حوزه داده‌کاوی این‌گونه روابط را با خطای کمتری تحلیل می‌کنند]11[.

بر اساس مطالعات پژوهشگران، پژوهش مشابه و گسترده‌ای در حوزه استفاده از روش‌های داده‌کاوی در پیش‌بینی بقای ملانوم در سطح کشور و دانشگاه‌های مختلف ازجمله دانشگاههای علوم پزشکی صورت نپذیرفته است و مطالعات انجام‌شده بر اساس داده‌های آماده سایر کشورها بوده است.

ازلحاظ نو بودن در جامعه موردبررسی، لازم به ذکر است تاکنون بر روی ‌بانک اطلاعاتی مرکز تحقیقات سرطان کشوری دانشگاه شهید بهشتی مطالعه‌ای جهت بررسی پیش‌بینی بقای ملانوم انجام‌نشده است. در پژوهش‌های دیگر فقط گزارش صحت، حساسیت و ویژگی برای پیش‌بینی مدل‌ها استفاده‌شده است]12[و]13[. درحالی‌که در این پژوهش از مقدار شاخص ترجیح تطبیق یافته که از اثرات متعادل‌سازی است، استفاده‌شده است که جز بارزترین نکات قابل‌تمایز با پژوهش‌های دیگر است.

در این مطالعه بقای بیماری ملانوم ازلحاظ آماری و هوش مصنوعی موردبررسی قرارگرفته است. این دو رویکرد صرفاً جهت مقایسه نتایج روش‌های آماری و هوش مصنوعی نبوده است. بلکه در جهت افزایش آگاهی نسبت به موضوع بقای کلیه بیماران مبتلابه ملانوم با توجه به نقاط قوت هریک از روش‌ها بوده است. ازآنجایی‌که در این پژوهش تعداد متغیرهای بیشتر، در بازه گسترده‌تر بر روی کل بیماران مبتلابه ملانوم در سطح کشور بررسی‌شده است، لذانسبتبه پژوهش‌های گذشته عملکرد موفقیت‌آمیزتری خواهد داشت.

2. پیشینه تحقیق

تحقیقات ثابت کرده است که اکثر بیماران مبتلابه ملانوم مخصوصاً در مراحل پایین‌تر، حداقل تا ۵ سال بعد از تشخیص زنده مانده‌اند یا پاسخ آن‌ها به درمان حداقل تا آن فاصله زمانی مثبت بوده است. در صورت عدم درمان و مداوا، پیش‌بینی میزان بقای 5 ساله بیمار از 99٪ تا 14٪ کاهش می‌یابد [14].

در مطالعه‌ای كه توسط دكتر اسماعيلي و همكارانش در سال 1386 در موردبررسی ميزان بقا 5 ساله بيماران مبتلابه ملانوم در ايران برحسب سن، جنس، محل آناتوميكي و نوع كلينيكي تومور از 781 بيمار بر روي نمونه‌های ارسال‌شده به مركز سرطان پوست تهران بين سال‌های 79-75 انجام شد نتیجه‌ی زير حاصل شد:

درنهایت ميزان بقا 5 ساله بيماران در ايران 5/28% تخمين زده‌شده كه اين درصد پایین‌تر از کشورهای دیگر بود [15]. در مقام مقایسه، در این تحقیق که در آن 781 بیمار و تعداد 4 متغیر بررسی‌شده است تحقیق جاری با بررسی تعداد بیماران 4118 نفر بررسی‌شده که حدود 3337 بیمار از تحقیق مذکور بیشتر بوده، با توجه به این نکته که در این پژوهش 10 متغیر موردبررسی قرار گرفت که از تحقیق فوق 6 متغیر بیشتر مورد تحلیل و بررسی قرارگرفته، مطالعه گسترده‌تری انجام‌شده است. دقت شبکه عصبی 97% برآورد بقای بیماران مبتلابه ملانوم را بعد از پنج سال داشته است که در مقایسه با عملکرد پژوهش مطرح‌شده میزان صحت و دقت آن سنجیده نشده است. ضمناً ذكر نشده كه سلول‌های ملانوسيتي گیرنده‌ای براي هورمون‌های جنسي داشته باشند پس قاعدتاً نبايد تفاوتي بين بقاء مردان و زنان وجود داشته باشد. از سیستم‌های هوشمند و داده‌کاوی نیز استفاده‌نشده است.

در سال 1387 عابدی و مقدس زاده درباره تعیین تابع بقا ارزیابی روش‌های مختلف رگرسیون کاکس با رگرسیون چند متغیره، همراه با جدول طول عمر در سرطان پوست، 199بیمار مبتلابه سرطان پوست را بررسی کرده، بعد از استخراج اطلاعات موردنظر از پرونده‌های پزشکی، وضعیت سلامت بیماران به‌صورت تلفنی،پیگیری شده و پیشامد نهایی موردبررسی قرار گرفت. نتایج حاصله عبارت‌اند از:توابع بقا برآورد شده توسط روش جدول طول عمر و حد حاصل‌ضرب نشان می‌دهد که نرخ بقا یک‌ساله برابر 94/0است و نرخ مخاطره در سال اول برابر 063/0 است. مدل مخاطرات متناسب کاکس که بر داده‌های تحقیق برازش یافته بصورت زیر است:

(1)

در مقایسه با پژوهش ما تعداد بیماران بررسی‌شده بسیار کمتر بوده و بررسی روی سرطان پوست غیرملانومی بوده است و در این تحقیق 199 بیمار و تعداد 5 متغیر بررسی‌شده است. تحقیق جاری با بررسی 4118تعداد بیماران مبتلا شده و 10 متغیر (که تأثیر بیشتري درزمینه‌ي بقا دارند)، مطالعه گسترده‌تری انجام داده است. ضمناً در این مطالعه از روش‌های معمول پرکاربرد آماری مانند تحلیل کاکس استفاده کرده‌اند و طراحی مدل پیش‌بینی نداشته‌اند، درحالی‌که در مطالعه ما از روش‌های به‌روز و هوش مصنوعی استفاده‌شده است و ترکیب سیستم‌های هوشمند و نرم‌افزارهای آماری دقت و صحت بالاتری نسبت به سیستم‌های آماری محض دارد.

3. روش‌شناسی پژوهش

نوع پژوهش: هدف پژوهش حاضر ازنظر ماهیت کاربردی و ازنظر هدف به روش توصیفی- تحلیلی گذشته‌نگر و ازنظر زمان به‌صورت مقطعی انجام شد.

مراحل انجام پژوهش: با توجه با اهداف مراحل انجام پژوهش به دو مرحله مستقل تقسیم می‌شود:

1.3 مرحله اول: استفاده از الگوریتم‌های داده‌کاوی در پایگاه داده بومی (داده‌های سرطانی کل کشور)

1.1.3 جامعه پژوهش: بیماران مبتلابه ملانوم بین سال‌های ۱۳۸7 تا ۱۳91 که تا ۱۳۹1 در کل کشور پیگیری شده‌اند.

3.1.2 نمونه پژوهش (شامل حجم نمونه و روش نمونه‌گیری)

تعداد کل بیماران موردبررسی و تحقیق 7690 نفر است. بیمارانی که بعد از تشخیص ملانوم در آن‌ها، کمتر از ۵ سال پیگیری شده‌اند، حذف شدند. همچنین بیمارانی که قبل از رسیدن به پنجمین سال پیگیری بیماری فوت کرده و علت فوت آن‌ها غیر از ملانوم بود نیز حذف شدند؛ که درنهایت به 4118 نفر رسیدند.

3.1.3 ابزار گردآوری داده‌ها

داده‌های پرونده‌ها بر اساس فرم جمع‌آوری داده استخراج شد. در ایجاد این فرم که دربرگیرنده متغیرهای بااهمیت در پیش‌بینی بقای ملانوم و توضیحات مربوط به مقادیر متغیرها است، از مطالعات، پژوهش‌ها و تحقیقات مربوط بهپیش‌آگهیملانومکه توسط پژوهشگر و نهایتاً با مشورت و نظر تخصصی 5 پزشک متخصص پوست، ایجاد شد. فرم جمع‌آوری داده در جدول (2) آورده شده است که طبق توضیحات فوق متغیرهای دخیل در بقای ملانوم، بر اساس مطالعه مقالات و راهنماهای بالینی مربوط به ملانوم شناسایی شد و در فرم زیر قرار گرفت.

جدول 2. چک‌لیست داده‌های ملانوم برای استخراج متغیرهای موردنیاز از پرونده‌های بیماران سرطان کل کشور

نام متغیر	مقادیر متغیر
1-سن	بر اساس سن یادداشت شده در پرونده
2-ضخامت تومور	بر اساس ضخامت تومور اندازه‌گیری شده و درج در پرونده I: less than or equal to 1 mm II: 1.01-2 mm III: 2.01-4 mm IV: greather than or equal 4 >= mm
3-جنس	مرد=1 زن=2
4-ارتشاح لنفوسیتی	1=خفیف 2=متوسط 3=شدید
5-وضعیت تأهل	1=مجرد 2- متأهل 3=دوجنسی 9=نامشخص
6-درجه بیماری	1=Grade I 2=Grade II 3=Grade III 4=Grade IIII 9=NOS
7-محل تومور	0=Skin of lip (پوست لب) 1=Eyelid (پلک چشم) 2=External ear (گوش خارجی) 3=Skin of other face ) بقیه جاهای صورت) 4= Skin of scalp and neck(سرو گردن) 5= Skin of trunk (تنه) 6= Skin of upper limb and shoulder(اندام فوقانی و شانه) 7= Skin of lower limb and hip(اندام تحتانی و لگن) 8= Overlapping lesion of skin(بینابین نواحی) 9=NOS (تشخیص داده نشده)
8-مرحله بیماری (سرطان)	1= IA(1) 2= IB(1) 3= IIA(2) 4= IIB(2) 5 = IIC(2) 6= IIIA(3) 7= IIIB(3) 8= IIIC(3) 9= IV(4)
9-رفتار	0 = خوش‌خیم 1 = نامشخص ازلحاظ خوش‌خیمی یا بدخیمی 2 = کارسینوم درجا 3 = بدخیم اولیه 6 = بدخیم ثانویه (متاستاتیک) 9 = نامشخص ازلحاظ اولیه یا ثانویه
10-اشعه درمانی	1=بله 2=خیر

4.1.3 روش گردآوری داده‌ها

محقق به‌صورت حضوری به محیط پژوهش مراجعه کرده است. فرم مذکور بر اساس مطالعه متون تحقیقات، پژوهش‌های بقای بیماران مبتلابه ملانوم و نظرخواهی از متخصصین جراحی پوست ایجادشده است نظرخواهی از متخصصان جراحی پوست به روش مصاحبه و به‌صورت جداگانه انجام‌شده، سپس بر اساس فرم استخراج داده، متغیرهای

اشتراک گذاری

آدرس مقاله

ارائه مدلی برای پیش بینی بقای بیماران مبتلا به ملانوم بر اساس الگوریتم های داده کاوی