fa ارائه مدل پیش بینی تشخیص عوامل ناباروری با استفاده از الگوریتم‌های داده کاوی پژوهشي Research <b>مقدمه: </b>حدود 15-10 درصد از زوجین نابارور هستند. ناباروری علل متفاوتی دارد و تشخیص روش درمان بیماران بر اساس نوع عامل ناباروری آن‌ها انجام می‌شود. در این تحقیق مدلی ارائه شده است که بر اساس ویژگی‌های اولیه و نتایج آزمایشات ساده علل ناباروری افراد را پیش‌بینی می‌کند که می تواند به پزشکان در تشخیص زودهنگام علت ناباروری و تصمیم گیری بهینه کمک کند.  <b> <br>روش کار: </b>داده‌های این تحقیق برگرفته از داده‌های ناباروری بیمارستان صارم تهران می‌باشد. در این تحقیق از روش های دادهکاوی استفاده شده است. ابتدا روش خوشه‌بندی k-means و سپس روش‌های دسته‌بندی ماشین بردار پشتیبان (SVM: Support Vector Machine) و شبکه‌های عصبی مصنوعی به منظور پیش‌بینی نوع علل ناباروری، اجرا و نتایج دو الگوریتم دسته‌بندی با هم مقایسه شدند. همچنین برای تحلیل داده‌ها و اجرای الگوریتم‌های بخش مدل، از نرم‌افزار SPSS Clementine 12.0 استفاده شده است. <b><br>یافته‌ها: </b>در بخش خوشه‌بندی بر اساس الگوریتم K-means داده‌ها به پنج خوشه تقسیم شدند. در هر گروه یک یا چند علت ناباروری مشاهده شد. در ادامه و با اجرای الگوریتم‌های دسته‌بندی SVM و شبکه عصبی مصنوعی، مشخص شد که الگوریتم SVM با نوع کرنل چندجمله‌ای بالاترین کارایی را به دست آورد.<b> <br>نتیجه گیری: </b>انجام این تحقیق علاوه بر اینکه منجر به شناخت بهتر ویژگی های بیماران ناباروری شد، می تواند زمینه ای برای انجام تحقیقات آتی باشد. از آنجائی که با تشخیص علل ناباروری افراد قبل از مراحل ثانویه و آزمایشات سنگین، به مقدار قابل توجهی در هزینه و زمان صرفه‌جویی و از اثرات جسمی که بر بیماران می‌گذارد کاسته خواهد شد، می‌توان در مطالعات آینده با استفاده از نتایج این تحقیق سیستمی را جهت اجرای این مدل پیاده‌سازی نمود. <br> <b>Introduction:</b> About 10-15 percent of Iranian couples are infertile which is due to different causes determining particular diagnostic and treatment methods. In this study, the model presented is based on basic features and simple tests, helping physicians predict the causes of infertility<b> <br>Methods: </b>The data were taken from Sarem hospital infertility data bank by using data mining methods. First, K-means clustering was run then, support vector machine and artificial neural network classification methods were used to predict the type of infertility, and finally, the results of two classification algorithms were compared. In addition, SPSS Clementine 12.0 was used to analyze the data and implement the algorithm in modeling part. <b><br>Results:</b> In k-means clustering, the data were divided into five clusters. In each cluster, one or more causes of infertility were observed. Then, by applying SVM and artificial neural network classification algorithms, the SVM algorithm with a polynomial kernel appeared to have the maximum accuracy.<br> <b>Conclusion:</b> The findings of this study, could contribute to the understanding of the factors responsible for infertility and pave the way for future investigations. These findings can be used in future studies to develop a system for applying this model since by diagnosing the causes of infertility prior to secondary stages and before performing heavy tests, a considerable amount of time and cost will be saved, and physical burden on patient will be decreased, ناباروری, مدل, داده کاوی, k-means, ماشین بردار پشتیبان, شبکه‌های عصبی مصنوعی Infertility, Model, Data Mining, k-means, Support Vector Machine, Artificial Neural Network. 46 57 http://jha.iums.ac.ir/browse.php?a_code=A-10-1200-1&slc_lang=fa&sid=1 S Dormohammadi سمیرا درمحمدی samira.dormohammadi@ymail.com 11200319475328460012238 11200319475328460012238 Yes K.N Toosi University of Technology دانشگاه خواجه نصیرالدین طوسی S Alizadeh سمیه علیزاده s_alizadeh@kntu.ac.ir 11200319475328460012239 11200319475328460012239 No K.N Toosi University of Technology دانشگاه خواجه نصیرالدین طوسی M Asghari محسن اصغری mohsen.asghari@gmail.com 11200319475328460012240 11200319475328460012240 No K.N Toosi University of Technology دانشگاه خواجه نصیرالدین طوسی M Shami مریم شامی mashami1350@gmail.com 11200319475328460012241 11200319475328460012241 No sarem hospital بیمارستان صارم تهران