مدلي براي پيش‌بيني نياز به جراحي ارتوپدي با استفاده از تكنيك‌هاي داده‌كاوي

A Model for predicting the need for orthopedics surgery by using data mining techniques

با گسترش استفاده از رايانه در جنبه هاي مختلف زندگي افراد، حجم بسيار زيادي از داده ها توليد مي شود كه در بسياري از اوقات اين داده ها شامل اطلاعات ارزشمندي هستند. براي استخراج اين اطلاعات و بهره بردن از آنها مي توان از علم داده كاوي بهره برد. با استفاده از داده كاوي مي توان، الگوهاي پنهان موجود در داده ها را كشف نمود و براي پيش بيني موارد جديد مورد استفاده قرار داد. از جمله حوزه هايي كه با توليد حجم انبوه داده ها روبرو مي باشد، حوزه ي درمان است. در اين پژوهش به طور خاص در زمينه ي ارتوپدي تمركز خواهد شد. اين تحقيق به دنبال اين است كه با استفاده از تكنولوژي و تكنيك ­هاي داده كاوي بتواند از داده موجود در ديتابيس بيمارستان به اطلاعات ارزشمندي دست يابد و از طريق آن اطلاعات بتواند احتمال شكستگي و همچنين نيازمند بودن بيمار به جراحي را پيش بيني كند و تصميم گيري را براي پزشكان ساده تر و سريع تر كند. بدين صورت مي توان با سرعت و دقت بالاتري نسبت به روش هاي موجود به تفكيك بيماران و ارائه ي خدمات به آن ها پرداخت. اين پژوهش بر مبناي متدولوژي CRISP بنا نهاده شده است و نتايج حاصل از تحقيق بيانگر اين امر است كه استفاده ي تلفيقي از الگوريتم هاي CHAID و شبكه ي عصبي تقويت شده با روش تجمعي Boosting، مي تواند دقت مطلوبي در پيش بيني نياز به جراحي در بيماران ارتوپدي 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.