الگوريتم‌هاي يادگيري ماشين براي پيشگيري از انتشار بيماري‌هاي واگير بر پايه ويژگي‌هاي موثر در تشخيص كوويد-19

اين مطالعه باهدف توسعه الگوريتم‌هاي هوش مصنوعي بر پايه اينترنت اشياء انجام شده است كه ضمن تشخيص و پيش‌بيني همه‌گيري در زمان واقعي با استفاده از مكان افراد، بر مراقبت و بهبود نيز تأكيد مي‌كند.بيماري هدف در اين پژوهش باتوجه‌به اهميت و فراگيري، كوويد-19 است.بر اساس نوع گردآوري داده‌ها از نوع پژوهش‌هاي كيفي بوده و باتوجه‌به توسعه الگوريتم‌ها، روش تحقيق در اين پژوهش مبتني بر علم طراحي است. رويكرد تحقيق آينده‌نگر است، به‌طوري‌كه مكانيزم انتقال بيماري و ويژگي‌هاي تأثيرگذار آن ما را قادر به‌پيش بيني‌هايي در مورد بيماري و در نتيجه طرح استراتژي‌هاي كنترل بيماري و مراقبت‌هاي بهداشتي مي‌نمايد.پژوهش در يك فرايند 7 مرحله‌اي انجام شد. ويژگي‌هاي اينترنت اشياء در پژوهش حاضر با نظر خبرگان استخراج شد و ويژگي‌هاي به‌دست‌آمده در آزمايش 2 الگوريتم مختلف «k نزديك‌ترين همسايگي» و «درخت تصميم» بر روي داده‌ها براي تعيين بهترين مدل ايجاد شد.پس از انتخاب بهترين عمق و بهترين همسايگي در الگوريتم‌ها، اعتبار و تصديق مدل با تحليل ماتريس ابهام انجام شد.نتايج اجراي الگوريتم‌ها براي پيش‌بيني بيماري كوويد-19، دقت بالاتر از 98 درصد را نشان دادند. حساسيت بالاتر (99 درصد) كه براي تشخيص بيماري كوويد19 اهميت بالايي دارد و نشان‌دهنده حداقل موارد منفي كاذب در نتايج آزمون است، در الگوريتم درخت تصميم به دست آمد.