مقايسه ي الگوريتم هاي مختلف طبقه بندي داده ها براي تعيين نوع زردي در نوزادان

Comparison of Data Classification Algorithms to Determine the Type of Neonatal Jaundice

زردي در نوزادان مبحثي است كه براي متخصصان در سراسر دنيا بسيار مهم تلقي مي شود. زيرا اين بيماري يكي از عمده ترين وضعيت هايي است كه به توجه باليني نيازمند است. هدف از انجام اين پژوهش استفاده از تكنيك هاي طبقه بندي داده ها براي پيش بيني به موقع نوع زردي نوزادان و در نتيجه پيشگيري از آسيب هاي جبران ناپذير به سلامت نوزادان بوده است.روش بررسي: اين پژوهش از نوع توصيفي بوده و با استفاده از مجموعه داده هاي جمع آوري شده درباره ي زردي نوزادان در شهر قاهره مصر انجام شده است. در اين بررسي پس از پيش پردازش داده ها، تكنيك هاي داده كاوي از قبيل درخت تصميم، naïve bayes و k)knn نزديكترين همسايه) در نرم افزار orange بررسي، مقايسه و تحليل شده است.يافته ها: يافته هاي حاصل از پژوهش نشان داد كه الگوريتم درخت تصميم با دقت 94 درصد، الگوريتم naïve bayes با دقت 91 درصد و الگوريتم نزديك ترين همسايه با دقت 89 درصد نوع زردي در نوزادان را طبقه بندي مي كنند. بنابراين بهترين الگوريتم از لحاظ دقت عملكرد در بين روش هاي طبقه بندي كننده، الگوريتم درخت تصميم شناخته شد. نتيجه گيري: استفاده از الگوريتم هاي طبقه بندي در ساخت سيستم هاي تصميم يار مي تواند به پزشكان در تصميم گيري درباره نوع بيماري ها كمك كند و متخصصان مي توانند براي رسيدگي به بيماران متناسب با نوع بيماري اقدام كنند كه طي آن مخاطرات احتمالي در اثر عدم شناسايي به موقع يا صحيح بيماري كاهش خواهد يافت.

Background and Aim: Neonatal jaundice is a matter that is very important for clinicians all over the world because this disease is one of the most common cases that requires clinical care. The aim of this study is to use data classification algorithms to predict the type of jaundice in neonates, and therefore, to prevent irreparable damages in future. Materials and Methods: This is a descriptive study and is done with the use of neonatal jaundice dataset that has been collected in Cairo, Egypt. In this study, after preprocessing the data, classification algorithms such as decision tree, Naïve Bayes, and kNN (k-Nearest Neighbors) were used, compared and analyzed in Orange application. Results: Based on the findings, decision tree with precision of 94%, Naïve Bayes with precision of 91%, and kNN with precision of 89% can classify the types of neonatal jaundice. So, among these types, the most precise classification algorithm is decision tree. Conclusion: Classification algorithms can be used in clinical decision support systems to help physicians make decisions about the types of special diseases; therefore, physicians can look after patients appropriately. So the probable risks for patients can be decreased.