زمینه و هدف: داده‌کاوی به‌عنوان فرایند شناسایی و تجزیه ‌و تحلیل مقدار زیادی داده به‌منظور یافتن رفتارها و قوانین معنا‌دار است. داده‌کاوی در بهداشت و درمان فرصت‌های بی‌شماری را برای بررسی الگوهای پنهان از یک مجموعه داده فراهم می‌کند. این الگوها را می‌توان توسط پزشکان برای تشخیص، پیش‌آگاهی و درمان بیماران استفاده کرد. هدف اصلی در این مطالعه استفاده از تکنیک‌های داده‌کاوی برای پیش‌بینی سطح فریتین سرم در زنان مبتلا به کم‌خونی و شناسایی متغیرهای اساسی در تشخیص این بیماری می‌باشد.

روش بررسی: در این پژوهش کاربردی، تعداد 690 بیمار و 22 متغیر در جمعیت زنان مبتلا به بیماری کم‌خونی بررسی شده‌اند. داده‌ها مربوط به بیمارانی بود که از اردیبهشت 1392 تا اردیبهشت 1393 به آزمایشگاه بیمارستان‌های امام حسین (ع) و شهدای هفتم‌تیر مراجعه کرده‌اند. از تکنیک درخت تصمیم برای ساخت مدل استفاده شد.

یافته‌ها: دقت مدل دسته‌بند درخت تصمیم با تمام متغیرها 75% بود. ترکیب‌های متفاوت از متغیرها جهت یافتن بهترین مدل برای پیش‌بینی بررسی شدند. با توجه به مدل بهینه درخت تصمیم به‌دست آمده، متغیرهای RBC، MCH، MCHC، زخم‌های معده-روده و سرطان معده-روده، به‌عنوان مهم‌ترین عوامل پیش‌بینی‌کننده شناخته شدند. نتایج نشان داد که اگر مقدار متغیرهای Mean corpuscular volume (MCV)، Mean corpuscular hemoglobin concentration (MCHC) و Mean corpuscular hemoglobin (MCH) نرمال و متغیر RBC کمتر از حد نرمال باشند، فرد با احتمال %90 به کم‌خونی فقر آهن مبتلا است.

نتیجه‌گیری: با توجه به سادگی و هزینه پایین آزمایش شمارش کامل خون، مدل درخت تصمیم به‌منظور تشخیص بیماری کم‌خونی فقر آهن ایجاد شد. همچنین در این پژوهش تاثیر عوامل جدیدی مانند جراحی‌ها و بیماری‌های مختلف در نظر گرفته شد. قوانین به‌دست‌آمده از مدل درخت تصمیم می‌تواند فرایند تشخیص و درمان بیماران مبتلا به کم‌خونی فقر آهن را بهبود بخشد.