پيش‌بيني تعداد موارد بروسلوز براساس پارامترهاي اقليمي با استفاده از روش‌هاي داده كاوي شبكه‌هاي عصبي مصنوعي پرسپترون چند لايه، تابع پايه شعاعي و نزديك‌ترين همسايگي

Predicting the Frequency of Human Brucellosis using Climatic Indices by Three Data Mining Techniques of Radial Basis Function, Multilayer Perceptron and Nearest Neighbor: A Comparative Study

مقدمه و اهداف: شناسايي مدلهاي آماري داراي پيش بيني هاي دقيق در تعيين دقيق و به‌هنگام طغيان بيماريهاي عفوني در نظام مراقبت بهداشتي اين بيماريها بسيار با اهميت است. اين مطالعه با هدف ارزيابي و مقايسه عملكرد سه روش يادگيري ماشين در مدلسازي و پيش بيني سري زماني بروسلوز بر اساس پارامترهاي اقليمي انجام شد. روش كار: در اين مطالعه موارد بروسلوز انساني و پارامترهاي اقليمي به‌صورت ماهانه، در طول 12 سال (95-1383) از استان همدان واقع در غرب ايران تحليل شد. دادهها به دو زيرمجموعه آموزش (80 درصد) و آزمون (20 درصد) تقسيم شد. روشهاي تابع پايه شعاعي و چند لايه پروسپترون و نزديك‌ترين همسايه سري زماني به هر زيرمجموعه برازش شد. ارزيابي عملكرد مدلها با استفاده از معيارهاي RMSE، MAE، MRAE، R2 و ICC انجام شد. يافته‌ها: نتايج نشان داد كه مقادير معيارهاي (23/79)RMSE، (20/56)MAE، (0/25)MRAE براي مدل شبكه عصبي چند لايه پرسپترون كوچك‌تر از مقادير آنها در دو مدل ديگر بود. هم‌چنين، در اين مدل مقادير بزرگ‌تري براي معيارهاي (0/61)R2 و (0/75)ICC به‌دست آمد. بنابراين مدل شبكه‌ي عصبي چند لايه پرسپترون در پيشبيني دادههاي مورد مطالعه عملكرد بهتري داشت. دما نسبت به ساير پارامترهاي اقليمي مؤثرترين عامل در بروز اين بيماري بود. نتيجه‌گيري: شبكه عصبي چندلايه پرسترون ميتواند به‌عنوان يك روش كارا براي تشخيص رفتار روند بروسلوز در طول زمان به كار رود. با اين حال مطالعات بيش‌تري با هدف كاربرد و مقايسه اين روشها براي شناسايي مناسبترين روش پيش بيني روند اين بيماري مورد نياز است.

Background and Objectives: Identification of statistical models has a great impact on early and accurate detection of outbreaks of infectious diseases and timely warning in health surveillance. This study evaluated and compared the performance of the three data mining techniques in time series prediction of brucellosis. Methods: In this time series, the data of the human brucellosis cases and climatology parameters of Hamadan, west of Iran, were analyzed on a monthly basis from 2004 (March/April) to 2017 (February/March). The data were split into two subsets of train (80%) and test (20%). Three techniques, i.e. radial basis function (RBF) and multilayer perceptron (MLP) artificial neural network methods as well as K Nearest neighbor (KNN), were used in both subsets. The root mean square errors (RMSE), mean absolute errors (MAE), mean absolute relative errors (MARE), determination coefficient (R2) and intra-class correlation coefficient (ICC) were used for performance comparison. Results: Results indicated that RMSE (23.79), MAE (20.65) and MARE (0.25) for MLP were smaller compared to the values of the other two models. The ICC (0.75) and R2 (0.61) values were also better for this model. Thus, the MLP model outperformed the other models in predicting the used data. The most important climatology variable was temperature. Conclusion: MLP can be effectively applied to diagnose the behavior of brucellosis over time. Further research is necessary to detect the most suitable method for predicting the trend of this disease.