fa تعیین عوامل خطرزا و ارایه مدل پیش‌آگهی آمبولی ریه بیماران بستری با استفاده از شبکه‌های بیزی اپیدمیولوژی Epidemiology پژوهشي Research <br> مقدمه و اهداف: آمبولی ریه یک رویداد بالقوه کشنده و در عین حال شایع است که در سال‌های اخیر باعث افزایش تدریجی تعداد بستری‌های ناشی از آن در بیمارستان‌ها شده است. به همین دلیل، یکی از چالش برانگیزترین بیماری‌ها نزد پزشکان به حساب می‌آید. هدف اصلی از این پژوهش، گزارش یک پروژه تحقیقاتی به منظور مقایسه الگوریتم‌های مختلف داده‌کاوی برای انتخاب دقیق‌ترین مدل برای پیش‌بینی وقوع آمبولی ریه در بیماران بستری است که به فراهم کردن دانش مورد نیاز کادر درمانی در تصمیم‌گیری بهتر کمک می‌کند.<br> <br> روش کار: در این پژوهش تلاش شد تا با استفاده از روش‌های مختلف یادگیری ماشین، یک مدل پیش‌بینی طراحی شود که بهترین عملکرد در پیش‌بینی احتمال وقوع آمبولی ریه در بیماران بستری در معرض خطر را داشته باشد. از میان الگوریتم‌های داده‌کاوی، از شبکه‌های بیزی و الگوریتم‌های درخت تصمیم J48، رگرسیون لجستیک و نیز بهینه‌سازی حداقل متوالی استفاده شد. داده‌های مورد استفاده تحقیق، عوامل خطرزا و سوابق گذشته مربوط به بیماران بستری بخش ریه بیمارستان شریعتی تهران بود.<br> <br> یافته‌ها: بررسی‌ها صورت گرفته نشان می‌دهد که صحت و ویژگی در تمام مدل‌‌های پیش‌بینی از عملکرد مطلوبی برخوردار بوده است، و مدل بیزی در پیش‌بینی وقوع آمبولی ریه، بیشترین میزان حساسیت را داشت.<br> <br> نتیجه‌گیری: یافته‌ها نشان می‌دهند اگر چه تفاوت کمی در عملکرد مد‌ل‌های پیش‌بینی وجود دارد، اما در این گونه داده‌ها برای پیش‌بینی وقوع آمبولی ریه در بیماران بستری، مدل شبکه بیزی ابزار مناسب‌تری است، که می‌تواند به‌عنوان روش حمایتی در کنار تصمیم‌های پزشکی قرار گیرد تا صحت پیش‌بینی بیماری‌ها را ارتقاء بخشد. Background and Objectives: Pulmonary embolism is a potentially fatal and prevalent event that has led to a gradual increase in the number of hospitalizations in recent years. For this reason, it is one of the most challenging diseases for physicians. The main purpose of this paper was to report a research project to compare different data mining algorithms to select the most accurate model for predicting pulmonary embolism in hospitalized patients. This model would provide the knowledge needed by the medical staff fir better decision making.<br> &nbsp;<br> Methods: In this research, we designed a prediction model using different methods of machine learning that would best predict the probability of pulmonary embolism in patients at risk. Among data mining algorithms, Bayesian network, decisions tree (J48), logistic regression (LR), and sequential minimal optimization (SMO) were used. The data used in the study included risk factors and past history of patients admitted to the Lung Department of Shariati Hospital, Tehran, Iran.<br> &nbsp;<br> Results: The results showed that the accuracy and specificity of all prediction models were satisfactory. The Bayesian model had the highest sensitivity in predicting pulmonary embolism.<br> &nbsp;<br> Conclusion: Although the results showed a little difference in the performance of prediction models, the Bayesian model is a more appropriate tool to predict the occurrence of pulmonary embolism in hospitalized patients in this type of data. It can be considered a supportive approach along medical decisions to improve disease prediction. آمبولی ریه, یادگیری ماشین, مدل پیش‌بینی, شبکه‌های بیزی, درخت تصمیم, رگرسیون لجستیک, بهینه‌سازی حداقل متوالی, عوامل خطرزا PPulmonary embolism, Machine learning, Prediction models, Bayesian networks, Decision Tree, Logistic Regression, Sequential minimal optimization, Risk factors 272 282 http://irje.tums.ac.ir/browse.php?a_code=A-10-923-1&slc_lang=fa&sid=1 F Feizmanesh فرزانه فیض منش No Master of Science, Tarbiat Modares University, Medical Informatics, Department of Medical Informatics, Faculty of Medical Sciences, Tehran, Iran کارشناس ارشد، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران AA Safaei علی اصغر صفائی aa.safaei@modares.ac.ir Yes Assistant Professor, Tarbiat Modares University, Computer Engineering Software, Department of Medical Informatics, Faculty of Medical Sciences, Tehran, Iran استادیار، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران