خداکرم سلیمی فرد

هدف: سرطان پستان یک چالش مهم بهداشتی در ایران است که هم بار انسانی و هم بار اقتصادی را تحمیل می کند. این مطالعه بر کاهش هزینه های مراقبت های بهداشتی با بهبود تشخیص و مدیریت به موقع تمرکز دارد. هدف این تحقیق با استفاده از تکنیک های پیشرفته یادگیری ماشینی، پیش بینی تاخیرهای تشخیصی و شناسایی عوامل خطر خاص در موارد سرطان پستان ایرانی است. این بینش ها می توانند فرآیندهای تشخیصی را ساده سازی کنند، تخصیص منابع را بهینه کنند و در نهایت تأثیر اقتصادی مدیریت سرطان پستان در ایران را کاهش دهند. روش ها: روش شناسی ایجاد چارچوب های یادگیری ماشینی برای پیش بینی تأخیرهای تشخیص سرطان سینه و عوامل خطر را تشریح می کند. با استفاده از الگوریتم هایی مانند جنگل تصادفی، سبد خرید کیسه ای، شبکه های عصبی و رگرسیون لجستیک، در کنار روش های مجموعه، این فصل پیش پردازش داده، انتخاب ویژگی و تنظیم پارامتر را پوشش می دهد. تکنیک های ارزیابی مانند ماتریس سردرگمی، ارزیابی حساسیت، تجزیه و تحلیل ویژگی و تحلیل AUC عملکرد مدل را ارزیابی می کنند، با هدف بهبود دقت تشخیصی و اطلاع رسانی استراتژی های مدیریت موثر. نتایج: تجزیه و تحلیل متغیرهای حیاتی را برای پیش بینی تاخیرهای تشخیص سرطان پستان و عوامل خطر در مدل های مختلف یادگیری ماشین شناسایی کرد. در حالی که سن به عنوان یک عامل جهانی ظاهر شد، اهمیت متغیرهایی مانند سکونت شهری و وضعیت تأهل متفاوت بود. سبک زندگی، سابقه سلامتی و پیشینه خانوادگی به عنوان پیش بینی کننده های مهم ظاهر شدند و ماهیت پیچیده ارزیابی ریسک را برجسته کردند. به طور مشابه، تجزیه و تحلیل اهمیت ویژگی جایگشت، پیش بینی کننده های ثابتی مانند سابقه اشعه ایکس قفسه سینه و کاهش وزن عمدی برای خطر کلی سرطان سینه را نشان داد. این یافته ها به ارزیابی ریسک شخصی و استراتژی های مداخله کمک می کند و درک ما را از پیش بینی سرطان پستان غنی می کند. نتیجه گیری: یافته های این مطالعه بینش مهمی در پیش بینی تأخیر در تشخیص سرطان پستان و عوامل خطر در بیماران ایرانی ارائه می کند. با استفاده از تکنیک های پیشرفته یادگیری ماشین، متغیرهای کلیدی مانند سن، عوامل سبک زندگی، و سابقه سلامتی را شناسایی کردیم که می توانند فرآیندهای تشخیصی را ساده تر کرده و استراتژی های مدیریت هدفمند را اطلاع رسانی کنند. این بینش ها پتانسیل کاهش هزینه های