مدل سازي تصميم براي تشخيص و غربالگري سرطان اپي تليال تخمدان

Decision Modeling for Diagnosis and Screening of Ovarian Epithelial Cancer

سرطان اپيتليال تخمدان يكي از كشنده ترين انواع سرطانهاي زنان مي باشد. لذا هدف اين مطالعه بررسي و استخراج فاكتورهاي موثر در پيش بيني و تشخيص اين نوع از سرطان در قالب مدل درخت تصميم به منظور تسهيل تشخيص در حوزه ي سرطان تخمدان است.روش بررسي: پژوهش حاضر از نوع مطالعه ي توصيفي توسعه اي است. ابزار اصلي پژوهش، چك ليستي براساس اطلاعات پرونده ها، منابع معتبر علمي، مرور مطالعات منتشر شده و نظر خبرگان بود. به منظور تعيين روايي محتوايي چك ليست از روش cvr استفاده شد. سپس، چك ليست با معيار ليكرت سه گزينه اي براي نظر سنجي در اختيار خبرگان اين رشته قرار گرفت. در نهايت به منظور طراحي درخت تصميم، پس از تجزيه و تحليل نتايج به دست آمده از نظرسنجي خبرگان، مدل نهايي براساس اين نتايج توسعه يافت. يافته ها: عناصر داده اي درخت تصميم براساس نظرسنجي متخصصان، گايدلاين ها و دستورالعملهاي تشخيص و غربال گري مرتبط با سرطان تخمدان به دست آمد. گره هاي برگ در درخت مذكور شامل انواع تومورماركرها، پيگيري، اقدامات درماني و ارجاعات مي باشند. صحت درخت تصميم توسط خبرگان تاييد شد. roma(ca125+he4) ،ca19-9 و cea مهمترين تومور ماركرهايي است كه براساس مدل تصميم به دست آمد.نتيجه گيري: مدلهاي تصميم باليني مي توانند با ايجاد يكپارچگي در اطلاعات بيمار، به ارايه پيشنهادهاي تشخيصي و درماني خاص بپردازند. مدل طراحي شده در اين پژوهش مي تواند با تسهيل تصميم گيري، تشخيص بيماري سرطان اپيتليال تخمدان را به طور قابل ملاحظه اي بهبود بخشد.

Background and Aim: The Ovarian epithelial cancer is one of the most deadly types of cancers in women.Thus, the purpose of this study was to investigate the most effective factors in predicting and detecting Ovarian cancer in the form of a decision tree to facilitate the Ovarian cancer diagnosis. Materials and Methods: The present study was a descriptive-developmental study. The main research tool applied in this study was a checklist which was designed based on the medical records, published studies, scientific references, and expert consultation.To determine the content validity of the checklist, the CVR method was applied. Next, survey research was done with aid of Likert-based checklist based on expert opinions in gynecology. Finally, to develop the decision tree, the results of the expert survey were analyzed and the final model was implemented based on the survey results. Results: The data elements of final decision tree were derived from the result of expert surveys, guidelines, clinical pathways and strategies in context of diagnosis and screening of Ovarian cancer. The leaf nodes in the tree include different types of tumor markers, following up, therapeutic measures, and referrals. The accuracy of the decision tree was approved by the experts. The most important tumor markers that obtained from the decision model in this study were CA19-9, ROMA (CA125 + HE4) and CEA. Conclusion: Clinical decision models can provide specific diagnosis and therapeutic suggestions by creating patient information integration framework. The model developed in this study can improve the diagnosis of epithelial Ovarian cancer considerably by facilitating decision making.