پيش‌بيني بقاء بيماران مبتلا به سرطان روده بزرگ در بخش پرتودرماني بيمارستان نمازي شيراز با استفاده از روش‌هاي داده‌كاوي ماشين بردار پشتيبان و بگينگ

Using Data Mining for Survival Prediction in Patients with Colon Cancer

مقدمه و اهداف: با توجه به روند رو به رشد سرطان روده­بزرگ در ايران در سال‌هاي اخير، پيش‌بيني پيامد سرطان و اطلاعات باليني پايه مربوط به آن بااهميت است. روش‌هاي داده‌كاوي در پيش‌بيني و تشخيص سرطان‌ها مي‌تواند مورداستفاده قرار گيرند. هدف از انجام اين مطالعه تعيين عملكرد دو الگوريتم پيش‌بيني كننده ماشين بردار پشتيبان و بگينگ در پيش‌بيني بقاء بيماران مبتلا به سرطان روده بزرگ است. روش كار: جمعيت موردمطالعه 570 بيمار مبتلا به سرطان روده ­بزرگ با مرحله تومور 1 تا 4، مراجعه‌كننده به بخش پرتودرماني بيمارستان نمازي شيراز شامل 338 بيمار زنده و 232 بيمار فوت‌شده از سال 1385 تا 1390 مي‌باشند. براي پيش‌بيني بقاء بيماران مبتلا به سرطان روده­بزرگ از روش ماشين بردار پشتيبان و روش بگينك استفاده شد. براي تحليل داده‌ها نيز از نرم‌افزار Weka نسخه 3.6.10 استفاده گرديد. يافته‌ها: بيشترين و كمترين محل قرارگيري تومورها مربوط به ركتوم و كولون چپ و به ميزان 51 و 9 درصد بود. روش درماني در بيش از 80% از بيماران نيز ابتدا عمل جراحي و سپس شيمي‌درماني و يا راديوتراپي بود. در عملكرد دو الگوريتم بر اساس صحت،‌ ويژگي و حساسيت محاسبه‌شده از ماتريس درهم‌ريختگي تعيين، مورداستفاده قرار گرفت. به ترتيب ميزان صحت، ويژگي و حساسيت در الگوريتم ماشين بردار پشتيبان 4/84،‌ 80 و 5/87 درصد و در الگوريتم بگينگ 2/83،‌ 75 و 88 درصد به دست آمد. نتيجه‌گيري: نتايج حاصل از اين مطالعه نشان داد كه هر دو روش حساسيت و ويژگي قابل قبولي در پيش‌بيني بقاء بيماران مبتلا به سرطان روده­بزرگ دارند اما ماشين بردار پشتيبان از ميزان صحت بيشتري برخوردار بود

Background and Objectives: Colon cancer is the third most common cancer in the world and the fourth most common cancer in Iran. It is very important to predict the cancer outcome and its basic clinical data. Due to to the high rate of colon cancer and the benefits of data mining to predict survival, the aim of this study was to survey two widely used machine learning algorithms, Bagging and Support Vector Machines (SVM), to predict the outcome of colon cancer patients. Methods: The population of this study was 567 patients with stage 1-4 of colon cancer in Namazi Radiotherapy Center, Shiraz in 2006-2011. Three hundred and thirty eight patients were alive and 229 patients were dead. We used the Support Vector Machines (SVM) and Bagging methods in order to predict the survival of patients with colon cancer. The Weka software ver 3.6.10 was used for data analysis. Results: The performance of two algorithms was determined using the confusion matrix. The accuracy, specificity, and sensitivity of the SVM was 84.48%, 81%, and 87%, and the accuracy, specificity, and sensitivity of Bagging was 83.95%, 78%, and 88%, respectively. Conclusion: The results showed both algorithms have a high performance in survival prediction of patients with colon cancer but the Support Vector Machines has a higher accuracy.