مدلي براي تشخيص بيماري‌هاي كبدي با استفاده از روش‌هاي يادگيري ماشيني

پيش‌زمينه و هدف: تشخيص به‌موقع بيماري‌هاي كبدي تأثير قابل‌توجهي در پيشگيري از عوارض آن‌ها و همچنين كنترل و درمان بيماري دارد. يادگيري ماشيني يكي از شاخه‌هاي هوش مصنوعي است كه كاربردهاي زيادي در زمينه تشخيص پزشكي دارد. اين مطالعه باهدف ارائه‌ي مدلي با دقت و اعتماد بالاتر براي تشخيص بيماري‌هاي كبدي با استفاده از روش‌هاي يادگيري ماشيني انجام شد كه بتواند به متخصصان پزشكي در تشخيص و كنترل به‌موقع بيماري‌هاي كمك كند. مواد و روش كار: اين مطالعه از نوع كاربردي‌-‌توسعه‌اي بوده و از مجموعه داده‌هاي 583 بيمار كبدي استفاده شده است. براي تشخيص دقيق‌تر افراد مبتلا به بيماري‌هاي كبدي، نتايج سه روش يادگيري ماشيني پركاربرد در تشخيص پزشكي شامل ماشين بردار پشتيبان، جنگل تصادفي و شبكه‌هاي عصبي مصنوعي با استفاده از نظريه‌ي تركيب دمپستر‌-‌شافر با هم تركيب شده است. از نرم‌افزار داده‌كاوي Weka و همچنين زبان برنامه‌نويسي پايتون براي پياده‌سازي مدل استفاده شد. براي ارزيابي كارايي، روش ارزيابي متقابل k تكه‌ برابر بكار برده شد. يافته‌ها: نتايج نشان داد كه دقت، حساسيت و ويژگي در مدل پيشنهادي به ترتيب 91.47 درصد، 89.52 درصد و 93.03 درصد بوده و در مقايسه با مطالعات مشابه، عملكرد بهتري دارد. بحث و نتيجه‌گيري: مدل پيشنهادي در جامعه‌ي آماري موردمطالعه، عملكرد بهتري در تشخيص بيماري‌هاي كبدي داشته و مي‌تواند به پزشكان در تشخيص زودهنگام اين بيماري‌ها و انجام درمان مناسب در مراحل اوليه كمك كرده و درنتيجه مانع از پيشرفت بيماري شود.