نوید عربی - دانشجوی کارشناسی ارشد دانشگاه شیراز دانشکده مهندسی برق و کامپبوتر
نیلوفر راستین - دانشجوی کارشناسی ارشد دانشگاه شیراز دانشکده مهندسی برق و کامپبوتر
شهرام جعفری - دانشجوی کارشناسی ارشد دانشگاه شیراز دانشکده مهندسی برق و کامپبوتر

تشخیص بیماری هپاتیت با توجه به علائم بالینی اندکی که در مراحل اولیه دارد، بسیار دشوار است. روش هایی که بتوانند بر اساس استخراج دانش از داده های پزشکی به تشخیص زود هنگام این بیماری کمک کنند، بسیار حائز اهمیت هستند. یکی از روش های مطرح در استخراج دانش، استفاده از الگوریتم های داده کاوی است. که این روش ها در مقایسه با روش های یادگیری ماشین، دقت کمتری در پیش بینی دارند. این روش ها مجموعه قوانینی از داده ها را استخراج می کنند که قابل تجزیه و تحلیل می باشد. در نتیجه در مواردی که نیاز به استنتاج داریم، از جمله موارد پزشکی نقش بسیار مهمی ایفا می کنند. در این مقاله ابتدا با استفاده از الگوریتم درخت تصمیم و روش یادیگری قانون وابستگی که دو روش رایج و قدرتمند داده کاوی هستند قوانین متعددی از مجموعه داده های مربوط هپاتیت استخراج شده و سپس یک زیر مجموعه از موثرترین این قوانین توسط الگوریتم ژنتیک انتخاب گردیده است. دقت نتایج حاصله با روش کلاسه بندی نایوبیز مورد مقایسه قرار گرفته و دقت 77% را نشان داده است. نتیجه نمایانگر 6% افزایش دقت نسبت به روش کلاسه بندی نایوبیز می باشد. بر اساس مطالب گفته شده، یک سیستم خبره پیش بینی کننده توسط نرم افزار کلیپس طراحی شده است، که می تواند در امر پیش بینی بیماری هپاتیت به افراد متخصص این حوزه کمک بالقوه ای کند.

پیش بینی هپاتیت، الگوریتم داده کاوی، الگوریتم درخت تصمیم، روش یادگیری قانون وابستگی، الگوریتم ژنتیک، روش کلاسه بندی نایو بیز، سیستم خبره