رضا اسماعیلی گوهری - Bahmanyar Higher Education Institute of Kerman
الهام اسماعیلی گوهری - . M. Sc. in Compter Engineering, Computer Engineering Det., Technical and Engineering Campus, Yazd University, Yazd, Iran
مهدی شفیعی - Kerman University of Medical Sciences

مقدمه: با شروع فصل تابستان، بیماری بین انسان و حیوان، یعنی تب کریمه کنگو به سرعت شیوع پیدا می کند. تشخیص این بیماری با استفاده از آزمایش های لازم، در کمترین حالت زمانی حدود یک هفته به طول می انجامد. روش های داده کاوی و یادگیری ماشین متعددی برای ایجاد مدل های پیشگویی کننده جهت شناسایی افراد در معرض خطر وجود دارد. در این پژوهش از درخت تصمیم C۴.۵ به دلیل سادگی و کارآمدی اش به منظور تشخیص این بیماری استفاده شده است. روش: این پژوهش از نوع کاربردی و توصیفی است. در این پژوهش از داده های مربوط به افراد مظنون به بیماری تب کریمه کنگو استفاده شد. این داده ها در یک دوره ۴ ساله از سال ۱۳۹۳ از مراکز درمانی کشور جمع آوری شد. این پایگاه داده شامل ۹۶۵ رکورد و ۲۸ ویژگی است. ابتدا با استفاده از روش انتخاب ویژگی برنامه نویسی درجه دو، متغیرهای موثر و تاثیرگذار بر مدل انتخاب و سپس درخت تصمیم C۴.۵ با به کارگیری متغیرهای ورودی و تعیین متغیر هدف ایجاد گردید. تجزیه و تحلیل داده ها به کمک نرم افزار Matlab صورت گرفت. نتایج: با توجه به مدل مشخص شد که متغیرهایی همچون تب، خون ریزی، شروع ناگهانی علائم، افزایش آنزیم های کبدی، افزایش بیلی روبین توتال، کاهش هموگلوبین، Hematuria، Leukocytosis، Proteinuria و Leukopenia بیشترین تاثیر را در تشخیص به این بیماری دارند. نتیجه­ گیری: نتایج نشان می دهد که معیار حساسیت مدل پیشنهادی، ۹۵ % و معیار تشخیص آن ۵۰ % است که در مقایسه با مطالعات انجام شده دیگر در حوزه داده کاوی پزشکی، از اثربخشی قابل قبولی در تشخیص این بیماری برخوردار است.

Medical decision support system, Disease diagnosis, Crimean-Congo hemorrhagic fever, C۴.۵ Decision tree, سیستم تصمیم یار پزشکی, تشخیص بیماری, تب کریمه کنگو, درخت تصمیم C۴.۵