پیشنهاد یک راه کار فناورانه موثر جهت تشخیص زودهنگام بیماری کووید-۱۹: مطالعه مبتنی بر یادگیری ماشین داده محور
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 456
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JMIS-7-1_008
تاریخ نمایه سازی: 20 مرداد 1400
Abstract:
هدف: تشخیص صحیح، دقیق و به موقع بیماری کووید-۱۹ با استفاده از فناوری های هوش مصنوعی و یادگیری ماشین نقش مهمی در بهبود شاخص های بیماری، استفاده بهینه از منابع محدود بیمارستانی و کاهش بار کاری کارکنان خط مقدم پاندمی خواهد داشت. بنابراین هدف پژوهش حاضر ارزیابی کارایی الگوریتم های منتخب داده کاوی در تشخیص بیماری کویید-۱۹ خواهد بود.
روش ها: پژوهش حاضر یک مطالعه گذشته نگر و توصیفی کاربردی است. در این مطالعه از داده های بیماران بستری شده با تشخیص قطعی کوویید-۱۹ در بازه زمانی ۲۷ اسفند ۱۳۹۸ لغایت ۲۰ آذر ۱۳۹۹ که در پایگاه داده پرونده الکترونیک سلامت بیماری کووید-۱۹ بیمارستان آیت الله طالقانی شهرستان آبادان ثبت شده است، استفاده گردید. پس از اعمال معیارهای ورود و خروج برای شناسایی نمونه ها در نهایت ۴۰۰ رکورد به عنوان ورودی و تغذیه وارد نرم افزار داده کاوی وکا ورژن ۳.۹ شد. داده ها با استفاده از ملاک کای دو برای تعیین متغیرها به منظور آموزش الگوریتم ها، عملکرد آن ها براساس معیارهای مختلف ارزیابانه در ماتریس آشفتگی مورد مقایسه قرار گرفتند.
نتایج: براساس مقایسه عملکرد الگوریتم های داده کاوی با توجه به معیارهای ارزیابانه در ماتریس آشفتگی، الگوریتم J-۴۸ با میزان حساسیت، دقت، و ضریب همبستگی ماتیوس به ترتیب ۰/۸۵، ۰/۸۵، ۰/۶۸ عملکرد بهتری نسبت به سایر الگوریتم های داده کاوی برای تشخیص بیماری کووید-۱۹ داشت. ۳ متغیر وجود ضایعات ریوی، تب و سابقه تماس با افراد مظنون به کرونا با در نظر گرفتن شاخص جینی ایندکس برای تعیین نقطه تقسیم، به ترتیب با میزان جینی ایندکس ۰/۲۱۷، ۰/۲۰۵ و ۰/۱۸۸ به عنوان مهم ترین فاکتورهای موثر در تشخیص کرونا در نظر گرفته شدند.
نتیجه گیری: استفاده از روش های داده کاوی منتخب و به طور خاص الگوریتم J-۴۸ قابلیت بالایی در تشخیص به موقع و اثربخش بیماری کووید-۱۹ در قالب سیستم های پشتیبان تصمیم یار بالینی خواهد داشت.
Keywords:
Authors
رئوف نوپور
TUMS
مصطفی شنبه زاده
IlUMS
هادی کاظمی آرپناهی
Department of Health Information Technology, Abadan University of Medical Sciences, Abadan, Iran.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :