روشي جديد براي استخراج تداخل دارويي از متن: استفاده از تفكيك دو مرحله اي مبتني بر جنگل تصادفي در مجموعه هاي با كلاس هاي چندگانه و توزيع نامتعادل

تشخيص تداخل دارويي يكي از مسايل مطرح در حوزه ي سلامت است كه با توجه به گستردگي حيطه ي داروها و تنوع و پيچيدگي اثرات متقابل آنها به موضوعي براي تكنيك هاي متن كاوي بدل شده است. با اين مواردي از جمله وجود مجموعه داده گان محدود و با كلاس هاي چندگانه و نامتعادل از چالش هاي مهم اين حوزه مي باشند. در اين مقاله، يك روش استخراج تداخل دارويي مبتني بر يادگيري ماشين جهت غلبه بر چالش هاي فوق ارايه مي شود كه در آن از راهبردي دو مرحله اي مشتمل بر تشخيص تداخل دارويي و طبقه بندي اين تداخل هاي با استفاده از روش درخت تصادفي استفاده مي شود. نتايج حاصل شده از آزمون اين روش بر روي بانك داده گان كوچك و نامتعادل حاكي از آن است كه ايده ي تفكيكي پيشنهادي قادر به تشخيص بهتر تداخل هاي در چهار كلاس عملكردي و به ميزان هاي به ترتيب 10 ، 8، 13 و 28 درصد براي سنجه ي امتياز F1 نسبت به بهترين روش رقيب خود از روش هاي هم خانواده ي موجود مي باشد و بر اين اساس مي تواند به عنوان روشي با پتانسيل توسعه جهت كاربردهاي واقعي تر در نظر گرفته شود.