تشخیص بیماری تیروئید با استفاده از ترکیب شبکه های عصبی به روش سلسله مراتبی

غده تیروئید نسبت به غده های دیگر بدن بیشتر دچار مشکل می‏شود و در صورت عدم تشخیص به موقع بی نظمی های تیروئید، بیمار دچار حمله تیروئیدی و یا کمای میگزدم شده که ممکن است منجر به مرگ گردد. از این رو تشخیص بی‏نظمی های تیروئید (پرکاری یا کم‏کاری) بر پایه تست‏های آزمایشگاهی و کلینیکی امری ضروری است. هدف از این پژوهش ارائه مدلی مبتنی بر تکنیک داده کاوی است که قابلیت پیش‏بینی بیماری تیروئید از نظر کم‏کاری و پرکاری را داشته باشد.
این مطالعه از نوع توصیفی-تحلیلی بوده و پایگاه داده آن شامل 7200 رکورد مستقل مبتنی بر 21 ریسک فاکتور و برگرفته شده از مرجع داده UCI می‏باشد که از این تعداد 70 % نمونه ها جهت آموزش و 30 % آن ها جهت آزمون استفاده شده است. این پژوهش ابتدا به بررسی عملکرد شبکه های عصبی ، به منظور تشخیص بیماری تیروئید پرداخته و سپس به ارائه الگوریتمی به نام ترکیب شبکه های عصبی به روش سلسله مراتبی می پردازد.
پس از مدل سازی و مقایسه مدل‏های تولید شده و ثبت نتایج دقت پیش بینی بیماری تیروئید با استفاده از روش‏ شبکه عصبی 6/96% و روش سلسله مراتبی 100 % به دست آمد.
کاهش خطای تشخیص بیماری تیروئید همواره یکی از اهداف محققین بوده است. استفاده از روش‏های مبتنی بر داده کاوی می‏تواند به کاهش این خطا کمک کند. این مطالعه ضمن تشخیص بیماری تیروئید به کمک شبکه های عصبی، نشان می دهد که ارائه روش قوی تری به نام ترکیب شبکه های عصبی به صورت سلسله مراتبی منجر به بهبود دقت تشخیص می شود.