دوره 13، شماره 1 - ( فروردین و اردیبهشت 1398 )                   جلد 13 شماره 1 صفحات 90-81 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Shahraki M R, Mesgar M. Evaluation of Data Mining Algorithms for Detection of Liver Disease. payavard 2019; 13 (1) :81-90
URL: http://payavard.tums.ac.ir/article-1-6702-fa.html
شهرکی محمدرضا، مسگر محبوبه. مقایسه‌ی الگوریتم‌های داده کاوی برای تشخیص بیماری کبد. پیاورد سلامت. 1398; 13 (1) :81-90

URL: http://payavard.tums.ac.ir/article-1-6702-fa.html


1- استادیار گروه مهندسی صنایع، دانشکده مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران
2- دانشجوی کارشناسی ارشد مهندسی صنایع، دانشکده مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران ، mhb@pjs.usb.ac.ir
چکیده:   (3468 مشاهده)
زمینه و هدف: کبد به‌عنوان یکی از بزرگ‌ترین اندام‌های داخلی بدن، وظیفه‌­ی انجام اعمال حیاتی مختلفی ازجمله تصفیه و پالایش خون، تنظیم هورمون‌های بدن، ذخیره­ی گلوکز و ... را در بدن به عهده دارد. بنابراین اختلال در کارکرد آن مشکلات گاه جبران‌ناپذیری به دنبال خواهد داشت. لذا پیش‌بینی به‌موقع این بیماری‌ به درمان‌های اولیه و مؤثر آن کمک می‌کند. با توجه به اهمیت بیماری‌ کبد و افزایش تعداد مبتلایان، مطالعه­‌ی حاضر با هدف پیش‌بینی بیماری‌ کبد با استفاده از الگوریتم‌های داده‌کاوی صورت گرفت.
روش بررسی: این پژوهش از نوع توصیفی بوده و با استفاده از 721 داده­‌ی جمع‌آوری‌شده از بیماران کبدی شهر زاهدان انجام‌شده است. در این بررسی پس از پیش‌پردازش داده‌ها، تکنیک‌های داده کاوی از قبیل ماشین بردار پشتیبان، CHAID، Exhaustive CHAID و C5.0 تقویت‌شده در نرم‌افزار IBM SPSS Modeler 18 بررسی، مقایسه و تحلیل‌شده است.
یافته‌ها: یافته‌ها نشان داد که الگوریتم C5.0 تقویت‌شده با دقت 94/09 درصد، الگوریتم Exhaustive CHAID با دقت 88/71 درصد، ماشین بردار پشتیبان با دقت 87/09 درصد و الگوریتم CHAID با دقت 85/47 درصد بیماری کبد را پیش‌بینی کردند. بنابراین بهترین الگوریتم از لحاظ دقت عملکرد، الگوریتم C5.0 تقویت‌شده شناخته شد.
نتیجه‌گیری: با توجه به دقت الگوریتم C5.0 تقویت‌شده و قوانین حاصل از آن، برای یک نمونه­‌ی جدید با ویژگی‌های مشخص، می‌توان احتمال ابتلای فرد به بیماری‌ کبد را با دقت قابل قبولی پیش‌بینی کرد.
متن کامل [PDF 486 kb]   (2647 دریافت)    
نوع مطالعه: پژوهشی اصيل | موضوع مقاله: فناوری اطلاعات سلامت
انتشار الکترونیک: 1398/2/15

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به پیاورد سلامت می باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2024 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb