Pasien kanker dengan penyakit penyerta menghadapi berbagai masalah hidup, biaya kesehatan, dan kualitas hidup. Oleh karena itu, penentuan penyakit penyerta akan sangat mempengaruhi pengobatan pasien kanker. Karena penyakit kanker sangat kompleks, kita dapat merepresentasikan hubungan antara kanker dan penyakit penyertanya sebagai suatu jaringan. Selanjutnya, analisis jaringan dapat digunakan untuk menentukan komorbiditas sebagai masalah deteksi komunitas karena hubungan antara kanker dan komorbiditasnya membentuk komunitas. Studi ini menyelidiki algoritma deteksi komunitas mana yang lebih tepat untuk menentukan komorbiditas kanker. Mengingat temuan komunitas yang berbeda, penelitian ini mencoba menganalisis modularitas yang dihasilkan oleh algoritma untuk memutuskan penyakit komorbiditas yang signifikan. Kami mengambil data komorbiditas kanker paru-paru berdasarkan naskah penambangan teks di PubMed, mencari melalui ontologi penyakit, dan menghitung kesamaan penyakit. Kami menyelidiki 20 algoritma menggunakan lima metrik modularitas dan 16 evaluasi fungsi kaki untuk menentukan penyakit penyerta yang signifikan.
Hasil penelitian menunjukkan lima algoritma modularitas terbaik yaitu label propagation, spinglass, Chinese berbisik, Louvain, RB Pots. Lima algoritma ini menemukan komorbiditas yang signifikan: pembuluh darah, sistem kekebalan, tulang, pankreas, dan gangguan metabolisme, defek septum jantung atrium, sistem pernapasan atrial fibrilasi, paru-paru
interstisial, dan diabetes mellitus. Fungsi ftness membenarkan hasil dari algoritma komunitas, dan yang memiliki efek signifikan adalah derajat internal rata-rata, ukuran, dan tepi di dalamnya. Studi ini memberikan kontribusi untuk pengetahuan yang lebih komprehensif dan manajemen penyakit dalam konteks perawatan kesehatan.