Payavard Salamat

fa مقایسه‌ی الگوریتم‌های داده کاوی برای تشخیص بیماری کبد Evaluation of Data Mining Algorithms for Detection of Liver Disease فناوری اطلاعات سلامت Health Information Technology پژوهشی اصيل Original Research <div style="text-align: justify;">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.</div> <div style="text-align: justify;">Background and Aim: The liver, as one of the largest internal organs in the body, is responsible for many vital functions including purifying and purifying blood, regulating the body's hormones, preserving glucose, and the body. Therefore, disruptions in the functioning of these problems will sometimes be irreparable. Early prediction of these diseases will help their early and effective treatment. Regarding the importance of liver diseases and increasing number of patients, the present study, using data mining algorithms, aimed to predict liver disease. Materials and Methods: This descriptive study was performed using 721 data from liver patient in zahedan. In this study, after preprocessing data, data mining techniques such as SVM: Support Vector Machine, CHAID, Exhaustive CHAID and boosting C5.0, data were analyzed using IBM SPSS Modeler 18 data mining software. Result: The validity obtained for boosting C5.0 94/09, for Exhaustive CHAID algorithm 88/71, for SVM 87/09, for CHAID algorithm 85/47 prediction of liver disease. the boosting C5.0 algorithm showed a better performance of this algorithm among other algorithms. Conclusion: According to the rules created by boosting C5.0 algorithm, for a new sample, one can predict the likelihood of a person for developing liver disease with high precision.</div> بیماری کبد, ماشین بردار پشتیبان, الگوریتم CHAID, درخت تصمیمC5.0, داده‌کاوی Liver Disease, Support Vector Machine, CHAID Algorithms, C5.0 Decision Tree, Data Mining 81 90 http://payavard.tums.ac.ir/browse.php?a_code=A-10-1356-4&slc_lang=fa&sid=1 Mohammad Reza Shahraki محمدرضا شهرکی No Assistant Professor, Industrial Engineering Department, Faculty of Engineering Shahid Nikbakht, Sistan and Balochestan University, Zahedan, Iran استادیار گروه مهندسی صنایع، دانشکده مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران Mahboubeh Mesgar محبوبه مسگر mhb@pjs.usb.ac.ir Yes Master of Sciences Student in Industrial Engineering, Faculty of Engineering Shahid Nikbakht, Sistan and Baluchestan University, Zahedan, Iran دانشجوی کارشناسی ارشد مهندسی صنایع، دانشکده مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران