پيش بيني بقاي كلي در همبودي سرطان ها با استفاده از انتخاب ويژگي GA-ANN و جنگل چرخشي

Predicting Overall Survivability in Comorbidity of Cancers using GA-ANN Feature Selection and Rotation Forest

همبودي در پزشكي، وجود يك يا چند بيماري يا اختلال، همزمان با يك بيماري يا اختلال اوليه است. همبودي در ميان بيماران مبتلا به سرطان شايع است، و با افزايش سن، بيشتر نيز مي‌شود. همبودي به‌طور بالقوه بر پيشرفت، مرحله‌ي تشخيص و درمان، ارزيابي اثربخشي درمان و همچنين بقاي بيماران تأثير مي‌گذارد. اگرچه تحقيقات پيشين نشان داده‎اند كه توصيه‎هاي درماني سرطان به طور قابل توجهي مي تواند بر اساس شدت همبودي تغيير كنند، اغلب مطالعات بيماري‎ها را به صورت مجزا مورد بررسي قرار مي‎دهند و از تاثير همبودي‌ها چشم‎پوشي مي‎كنند. بران نشان دادن اهميت اين موضوع در اين تحقيق از مجموعه داده‎هاي SEER براي ايجاد مجموعه‎ي همبودي سرطان سينه و دستگاه تناسلي استفاده شده است و روش تركيبي الگوريتم ژنتيك و شبكه عصبي براي انتخاب ويژگي و جنگل چرخشي براي ايجاد يك مدل پيش‎بيني بقا بر روي مجموعه داده‏‎ي همبودي، و مجموعه داده‎هاي سرطان سينه و دستگاه تناسلي پيشنهاد شده است. نتايج نشان مي‎دهند كه دقت مدل پيش‎بيني بر روي مجموعه داده همبودي بيشتر از زماني است كه مجموعه داده‎ي هر سرطان به صورت جداگانه مورد بررسي قرار گرفته است. در نتيجه داشتن اطلاعات بيشتر درباره‎ي شرايط همبودي بيماران مي‎تواند توان پيش‎بيني مدل را بهبود بخشد، كه به نوبه خود مي‎تواند به پزشكان براي تصميم‎گيري بهتر در رابطه با تشخيص و درمان كمك كند، هزينه‎هاي درماني را كاهش دهد و چالش‎هاي اقتصادي مرتبط با بهداشت و سلامت را ساده‎تر كند.

In medicine, comorbidity is the presence of one or more additional diseases or disorders co-occurring with a primary disease or disorder. Comorbidity is common among cancer patients and, with an aging population, is becoming more so. Comorbidity potentially affects the development, stage at diagnosis, treatment, and evaluation of treatment effectiveness, as well as survival of patients. Although prior research has shown that diagnostic and treatment recommendations might be altered based on the severity of comorbidities, Most studies of diseases are examined individually and have ignored the effects of comorbidities.To illustrate the significance of this issue, this study uses SEER’s cancer data to create a comorbid data set for breast and female genital cancers and introduces a feature selection method using Neurral Network and Genetic Algorithm and Rotation Forest to create a model for predicting survivability. The results show that the accuracy of the predictive model on the comorbidity data set is greater than when the data set of each cancer is studied separately. So, having more information about comorbid conditions of patients can improve models’ predictive power, which in turn, can help practitioners make better diagnostic and treatment decisions and reduce treatment costs and ease the healthcare related economic challenges.