فرشته پارساپور - M.A. in Clinical Psychology, Clinical Psychology Dept., Karaj Branch, Islamic Azad University, Alborz, Iran
جاوید پیمانی - Ph.D. in Neuroscience, Assistant Professor, Clinical Psychology Dept., Karaj Branch, Islamic Azad University, Alborz, Iran

مقدمه: پیاده سازی روشی که بتواند هر فرد را در تشخیص یا پیشگیری اختلالات روانی یاری رساند می تواند گامی مهم در جهت پیشگیری و کنترل این اختلالات به خصوص در مراحل ابتدایی آن ها تلقی شود. هدف پژوهش حاضر به کار گیری تکنیک های داده کاوی در تشخیص هوشمند شدت اختلال افسردگی است. روش: پژوهش کاربردی حاضر با مراجعه به تعدادی کلینیک روانپزشکی در شهر تهران و بررسی پرونده بیماران انجام شد. ۴۲۰ نفر که به پرسشنامه مینه سوتا ۷۱ سوالی پاسخ داده بودند با استفاده از روش نمونه گیری در دسترس به عنوان نمونه انتخاب شدند (۳۰۰ نفر مبتلا به مراتب متفاوتی از افسردگی و ۱۲۰ نفر فاقد آن). پاسخنامه آزمون مینه سوتا ۷۱ سوالی و تشخیص روانپزشک به عنوان داده برای ایجاد مدل توسط الگوریتم های K نزدیک ترین همسایه، درخت تصمیم و ماشین بردار پشتیبان مورد استفاده قرار گرفت. ۷۰ درصد داده ها برای آموزش و ۳۰ درصد داده ها برای اعتبار سنجی مدل به کار گرفته شد. جهت تحلیل داده ها از نرم افزار Matlab استفاده شد. نتایج: نتایج ارزیابی ها نشان داد که الگوریتم درخت تصمیم با دقت ۹۹/۱۶ درصد به دقت بالا تری در مقایسه با دیگر الگوریتم ها دست یافت. همچنین با اجرای مدل های ایجاد شده بر روی هر سوال آزمون مینه سوتا ۷۱ سوالی تاثیر هر سوال در ارزیابی مشخص شد. نتیجه گیری: تقسیم بندی بیماران با رویکرد داده کاوی و بر اساس مهم ترین ویژگی ها، می تواند ابزار مفید و موثر برای تحلیل و بهبود فرآیند تصمیم گیری پزشکان در رابطه با درمان بیماران باشد.

Depression, Intelligent Diagnosis, Data Mining, افسردگی, تشخیص هوشمند, داده کاوی