fa تشخیص بیماری سل ریوی با استفاده از هوش مصنوعی(الگوریتم بیز ساده) فناوری اطلاعات سلامت Health Information Technology پژوهشی اصيل Original Research <div style="text-align: justify;"><span style="font-size:18px;"><span style="font-family:nasimYW;"><strong>زمینه و هدف:</strong> موفقیت مورد انتظار در کاهش و کنترل بیماری سل به&shy;‌رغم اجرای برنامه&shy; های پیشگیرانه و درمانی مؤثر فراهم نشده که یکی از دلایل آن، تاخیر در تشخیص قطعی می&shy;&shy;‌باشد. بنابراین ایجاد یک سیستم کمک تشخیص برای غربالگری بیماری سل می&shy;‌تواند به تشخیص زودهنگام این بیماری کمک کند. هدف از این تحقیق، ارزیابی الگوریتم بیز ساده به‌&shy;عنوان ابزاری برای تشخیص سل ریوی است.<br> <strong>روش بررسی:</strong> در این مطالعه&shy;‌ی کاربردی، جامعه پژوهش بیماران دارای علایم سل و نمونه پژوهش، داده‌&shy;های ثبت شده‌&shy;ی ۵۸۲ فرد با علایم اولیه سل در بیمارستان مسیح دانشوری تهران است. اطلاعات نمونه&shy;‌ها با تشخیص تاییدشده در دو کلاس مبتلا به سل ریوی و نرمال بررسی گردید. از الگوریتم بیز ساده <span dir="LTR">(Naive Bayes)</span> برای غربالگری بیماری سل ریوی با استفاده از علایم عمومی و اولیه بیماران از زبان برنامه&shy;نویسی پایتون<span dir="LTR">Python) </span>&nbsp;) استفاده شده است.<span style="font-size:12.0pt;"></span><br> <strong>یافته &shy;ها:</strong> دقت <span dir="LTR">(Accuracy)</span>، حساسیت <span dir="LTR">(sensitivity)</span> و ویژگی<span dir="LTR">specificity) </span>) حاصل از پیاده&shy;‌سازی الگوریتم بیز ساده جهت تشخیص بیماری سل ریوی به&shy;ترتیب ۹۵/۸۹%، ۹۳/۵۹% و ۹۸/۵۳% به‌&shy;دست آمد و سطح زیر منحنی مشخصه عملکرد (<span dir="LTR">AUC</span>) برابر با ۹۸/۹۱% محاسبه شد.<br> <strong>نتیجه‌&shy;گیری:</strong> عملکرد مدل بیز ساده برای تشخیص بیماری سل ریوی دقت قابل قبولی دارد. این سیستم می&shy;‌تواند برای کمک به بیمار و مدیریت بیماری در نقاط دور افتاده با دسترسی محدود به منابع آزمایشگاهی و کمبود متخصص، استفاده و موجب تسریع در تشخیص شود. همچنین می&shy;‌تواند موجب اقداماتی به<span dir="LTR">&shy;</span>موقع و مناسب جهت کنترل سرایت سل ریوی به سایر افراد و تسریع بهبود این بیماری باشد.</span></span></div> <div style="text-align: justify;"><span style="font-size:18px;"><span style="font-family:Times New Roman;"><strong>Background and Aim:</strong> Despite the implementation of effective preventive and therapeutic programs, no significant success has been achieved in the reduction of tuberculosis. One of the reasons is the delay in diagnosis. Therefore, the creation of a diagnostic aid system can help to diagnose early Tuberculosis. The purpose of this research was to evaluate the role of the Naive Bayes algorithm as a tool for the diagnosis of pulmonary Tuberculosis.<strong><span dir="RTL"></span></strong><br> <strong>Materials and Methods:</strong> In this practical study, the study population included Patients with TB symptoms, the study sample is recorded data of 582 individuals with primary Tuberculosis symptoms in Tehran&#39;s Masih Daneshvari Hospital. The data of samples were investigated in two classes of pulmonary Tuberculosis and non-Tuberculosis. A Naive Bayes algorithm for screening pulmonary Tuberculosis using primary symptoms of patients has been used in Python software version 3.7.<br> <strong>Results:</strong> Accuracy, sensitivity and specificity after the implementation of the Naive Bayes algorithm for diagnosis of pulmonary Tuberculosis were %95.89, %93.59 and %98.53, respectively, and the Area under curve was calculated %98.91.<br> <strong>Conclusion:</strong> The performance of a Naive Bayes model for diagnosis of pulmonary Tuberculosis is accurate. This system can be used to help the patient and manage illness in remote areas with limited access to laboratory resources and healthcare professional and cause to diagnose early Tuberculosis. It can also lead to timely and appropriate proceedings to control the transmission of TB to other people and to accelerate the recovery of the disease.</span></span></div> سل ریوی, الگوریتم بیز ساده, تشخیص, هوش مصنوعی Pulmonary Tuberculosis, Naive Bayes Algorithm, Diagnosis, Artificial Intelligence 419 428 http://payavard.tums.ac.ir/browse.php?a_code=A-10-1-347&slc_lang=fa&sid=1 Nastaran Abbasi Hasanabadi نسترن عباسی حسن آبادی No Master of Science in Industrial Engineering, Department of Industrial Engineering, Faculty of Engineering Shahid Nikbakht, Sistan and Baluchestan University, Zahedan, Iran کارشناس ارشد مهندسی صنایع، دانشکده مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران Farzad Firouzi Jahantigh فرزاد فیروزی جهانتیغ Firouzi@eng.usb.ac.ir Yes Associate Professor, Department of Industrial Engineering, Faculty of Engineering Shahid Nikbakht, Sistan and Baluchestan University, Zahedan, Iran دانشیار گروه مهندسی صنایع، دانشکده مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران Payam Tabarsi پیام طبرسی No Professor, Department of Infectious, Clinical Tuberculosis and Epidemiology Research Center, Massih Daneshvari Hospital, Shahid Beheshti University of Medical Sciences, Tehran, Iran ستاد گروه عفونی، مرکز تحقیقات سل بالینی و اپیدمیولوژی، بیمارستان مسیح دانشوری، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران