سارا رسولیان - دانشجوی کارشناسی نرم افزار کامپیوتر، دانشگاه فنی و حرفه ای دختران قم

شیوع جهانی اخیر بیماری کووید-19 بسیاری از کشورهای جهان را تحت تأثیر قرار داده و تأثیرات مخربی بر جامعه جهانی داشته است. به منظور جلوگیری از گسترش این ویروس، اولویت با شناسایی افراد آلوده به منظور جداسازی و درمان آنها است؛ از این رو با استفاده از رویکردهای هوش مصنوعی و داده کاوی میتوان پیشگیری به موقع و کاهش هزینه های درمانی را میسر ساخت. هدف از این پژوهش، ایجاد مدلهای داده کاوی به منظور تشخیص ابتلای افراد به بیماری کووید-19 بسته به علائم و تجربیات بیمار است. در این پژوهش از الگوریتمهای طبقه بندی داده کاوی از جمله درخت تصمیم، جنگل تصادفی، درختان فراتصادفی، شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیشبینی استفاده شد. داده های مورد استفاده در این پژوهش داده های COVID -19 symptoms checker است که در سایت کگل فراهم شده است. تفسیر مدلهای ایجاد شده نشان داد موثرترین علائم در تشخیص بیماری کووید-19 شامل ویژگیهای تب، وضعیت ارتباط با افراد بیمار، گروه سنی و سرفه ی خشک است. همچنین تجزیه و تحلیل آماری نشان داد فراوان ترین علائم اولیه شامل سرفه ی خشک، گرفتگی و آبریزش بینی، خستگی، تنگی نفس و تب است. از میان مدلهای داده کاوی که در این پژوهش ایجاد شدند، مدلهای جنگل تصادفی و شبکه عصبی مصنوعی با نمره 98% F1 و %94، عملکرد مناسب را برای پیشبینی دارند.

کووید-19، داده کاوی، تشخیص بیماری، طبقه بندی، درخت تصمیم، جنگل تصادفی