بهبود دقت پيش‌بيني اختلالات خلقي با استفاده از تركيب الگوريتم‌هاي داده‌كاوي و فراابتكاري

مقدمه: از آنجا كه تأخير يا اشتباه در تشخيص اختلالات خلقي به‌دليل تشابه علائم، مانع درمان مؤثر مي‌شود، هدف تحقيق حاضر، تشخيص دقيق اختلالات خلقي، شامل روان‌پريشي، اوتيسم، اختلال شخصيت، دوقطبي، افسردگي و اسكيزوفرني، از طريق مدل‌سازي و تحليل داده‌هاي بيماران است. روش: داده‌هاي جمع‌آوري شده در اين پژوهش كاربردي-توسعه‌اي دربردارنده 996 ركورد با 130 ويژگي بود كه با مصاحبه و تكميل پرسشنامه‌ها در يك بيمارستان روان‌پزشكي در شهر ساري، ايران در سال 1400 گردآوري شد. پس از پيش‌پردازش داده‌ها، تعداد ويژگي‌ها با تحليل همبستگي به 91 و سپس با تحليل مؤلفه‌هاي اصلي (PCA) به 35 فاكتور كاهش يافت. مدل‌سازي داده‌ها در نرم‌افزار پايتون با الگوريتم‌هاي K نزديك‌ترين همسايه(KNN)، نايو بيز (NB)، درخت تصميم (DT)، جنگل تصادفي (RF)، رگرسيون لجستيك (LR) و ماشين بردار پشتيبان (SVM) صورت گرفت. عملكرد مدل‌ها ارزيابي گرديد و پارامترهاي الگوريتم‌هاي با دقت بالاتر توسط الگوريتم‌هاي فراابتكاري بهينه‌سازي ازدحام ذرات (PSO) و ژنتيك (GA) تخمين زده شد. نتايج: از بين الگوريتم‌هاي يادگيري ماشين، دو الگوريتم RF با دقت 91 و SVM با دقت 90 درصد عملكرد بهتري داشتند. GA افزايش دقت قابل‌ملاحظه‌اي ايجاد نكرد، اما درنظرگرفتن مقادير 30، 150، 0/9، 2 و 2 به‌ترتيب به‌عنوان تعداد ذرات، تعداد تكرار الگوريتم، ضريب اينرسي، ضريب شخصي و ضريب اجتماعي در الگوريتم PSO دقت پيش‌بيني را تا 3/3 درصد بهبود بخشيد. نتيجه‌گيري: با خطاي طبقه‌بندي كمتر نسبت به پژوهش‌هاي مشابه، مدل PSO-SVM طراحي شده در اين پژوهش با دقت قابل قبولي مي‌تواند در پايش داده‌هاي بيماران به‌كار گرفته شده و در سامانه‌هاي هوشمند مراكز روان‌پزشكي مورد استفاده قرار گيرد.