آنالیز داده های مربوط به بیماران هپاتیت با استفاده از الگوریتم جلبک مصنوعی باینری مبتنی بر K نزدیکترین همسایه
از مشکلات اصلی در علم پزشکی، تشخیص و پیش بینی به موقع بیماری ها می باشد. استفاده از سیستم های تصمیم یار به منظور کشف دانش نهفته در مجموعه اطلاعات بیماری و در سوابق مربوط به بیماران یکی از راهکارهایی است که در زمینه تشخیص و پیشگیری از بیماری بسیار موثر می باشد. هدف اصلی از این مقاله، طراحی یک سیستم تصمیم یار پزشکی است که بتواند بیماری هپاتیت را تشخیص دهد.
این مطالعه از نوع توصیفی-تحلیلی می باشد. مجموعه داده آن شامل 155 رکورد با 19 ویژگی موجود در پایگاه داده یادگیری ماشین UCI می باشد. در این مقاله، از الگوریتم جلبک مصنوعی باینری برای انتخاب ویژگی و از k نزدیک ترین همسایه برای کلاس بندی هپاتیت به دو کلاس سالم و ناسالم استفاده شده است. از 80 درصد داده ها جهت آموزش و از 20 درصد باقی مانده جهت آزمون استفاده شده است. هم چنین جهت ارزیابی مدل از شاخص های دقت، بازخوانی، F-Measure و صحت استفاده شده است.
بررسی اولیه نشان داد که درصد صحت مدل پیشنهادی برابر با 45/96 درصد می باشد. بعد از انتخاب ویژگی با الگوریتم جلبک مصنوعی درصد صحت در بهترین حالت به 36/98 درصد رسید. در مدل پیشنهادی در حالت 300 بار تکرار، مقدار معیارهای دقت، بازخوانی، F-Measure، و نرخ خطا به ترتیب برابر با 23/96 درصد، 74/96 درصد، 48/96 درصد، 55/3 درصد می باشند.
هپاتیت یکی از شایع ترین بیماری ها در بین زنان و مردان می باشد. تشخیص به موقع بیماری ضمن کاهش هزینه ها، شانس درمان موفقیت آمیز بیمار را افزایش می دهد. در این مطالعه ضمن تشخیص بیماری به کمک روش ترکیبی، توانستیم با استفاده از انتخاب ویژگی به دقت بالایی در تشخیص بیماری دست یابیم.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.