كليدواژه :
تشخيص بيماري هپاتيت , سيستم تصميم يار پزشكي , الگوريتم جلبك مصنوعي باينري , k نزديك ترين همسايه , انتخاب ويژگي
چكيده فارسي :
از مشكلات اصلي در علم پزشكي، تشخيص و پيش بيني به موقع بيماري ها مي باشد. استفاده از سيستم هاي تصميم يار به منظور كشف دانش نهفته در مجموعه اطلاعات بيماري و در سوابق مربوط به بيماران يكي از راهكارهايي است كه در زمينه تشخيص و پيشگيري از بيماري بسيار موثر مي باشد. هدف اصلي از اين مقاله، طراحي يك سيستم تصميم يار پزشكي است كه بتواند بيماري هپاتيت را تشخيص دهد.
مواد و روش ها
اين مطالعه از نوع توصيفي-تحليلي مي باشد. مجموعه داده آن شامل 155 ركورد با 19 ويژگي موجود در پايگاه داده يادگيري ماشين UCI مي باشد. در اين مقاله، از الگوريتم جلبك مصنوعي باينري براي انتخاب ويژگي و از k نزديك ترين همسايه براي كلاس بندي هپاتيت به دو كلاس سالم و ناسالم استفاده شده است. از 80 درصد داده ها جهت آموزش و از 20 درصد باقي مانده جهت آزمون استفاده شده است. هم چنين جهت ارزيابي مدل از شاخص هاي دقت، بازخواني، F-Measure و صحت استفاده شده است.
ﯾﺎﻓﺘﻪ ﻫﺎي ﭘﮋوﻫﺶ: ﺑﺮرﺳﯽ اوﻟﯿﻪ ﻧﺸﺎن داد ﮐﻪ درﺻﺪ ﺻﺤﺖ ﻣﺪل ﭘﯿﺸﻨﻬﺎدي ﺑﺮاﺑﺮ ﺑﺎ 96/45 درﺻﺪ ﻣﯽ ﺑﺎﺷﺪ. ﺑﻌﺪ از اﻧﺘﺨﺎب وﯾﮋﮔﯽ ﺑﺎ اﻟﮕﻮرﯾﺘﻢ ﺟﻠﺒﮏ ﻣﺼﻨﻮﻋﯽ درﺻﺪ ﺻﺤﺖ در ﺑﻬﺘﺮﯾﻦ ﺣﺎﻟﺖ ﺑﻪ 98/36 درﺻﺪ رﺳﯿﺪ. در ﻣﺪل ﭘﯿﺸﻨﻬﺎدي در ﺣﺎﻟﺖ 300 ﺑﺎر ﺗﮑﺮار، ﻣﻘﺪار ﻣﻌﯿﺎرﻫﺎي دﻗﺖ، ﺑﺎزﺧــــﻮاﻧﯽ، F-Measure، و ﻧﺮخ ﺧﻄﺎ ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﺮاﺑﺮ ﺑﺎ 96/23 درﺻﺪ، 96/74 درﺻﺪ، 96/48 درﺻﺪ، 3/55 درﺻﺪ ﻣﯽ ﺑﺎﺷﻨﺪ.
هپاتيت يكي از شايع ترين بيماري ها در بين زنان و مردان مي باشد. تشخيص به موقع بيماري ضمن كاهش هزينه ها، شانس درمان موفقيت آميز بيمار را افزايش مي دهد. در اين مطالعه ضمن تشخيص بيماري به كمك روش تركيبي، توانستيم با استفاده از انتخاب ويژگي به دقت بالايي در تشخيص بيماري دست يابيم.
چكيده لاتين :
The timely diagnosis and prediction of diseases are among the main issues in medical sciences. The use of decision-making systems to discover the underlying knowledge in the disease information package and patient records is one of the most effective ways of diagnosing and preventing disease. This study aimed to design a medical decision system that can detect hepatitis.
Materials & Methods
This study was conducted based on a descriptive-analytic design. Its dataset contains 155 records with 19 features in the University of California-Irvine machine learning database. This study utilized the Binary Artificial Algae Algorithm (BAAA) for Feature Selection (FS). Moreover, K-Nearest Neighbor (KNN) was used to classify hepatitis into two healthy and unhealthy classes. In total, 80% of the data was employed for training, and the remaining (20%) was used for testing. Furthermore, Precision, Recall, F-measure, and Accuracy were utilized to evaluate the model.
Findings
According to the results, the accuracy of the proposed model was estimated at 96.45%. After selecting the features with the BAAA, the percentage of the accuracy reached 98.36% in the best situation. In the proposed model with 300 repetitions, the Precision, Recall, F-Measure, and error rate were 96.23%, 96.74%, 96.48%, and 3.55%, respectively.
Discussion & Conclusions
Hepatitis is one of the most common diseases among females and males. A timely diagnosis of this disease not only reduces the costs but also increases the chance of successful treatment. In this study, the disease was diagnosed using the hybrid method, and a high accuracy level was obtained in disease diagnosis by FS
