سامانه اطلاعات پژوهشی ایران - NRIP Journals

شنبه 1 شهریور 1404


مجله اطلاع رسانی پزشکی نوین، جلد ۷، شماره ۱، صفحات ۶۸-۷۸


عنوان فارسی	پیشنهاد یک راه‌کار فناورانه موثر جهت تشخیص زودهنگام بیماری کووید-۱۹: مطالعه مبتنی بر یادگیری ماشین داده محور

چکیده فارسی مقاله	هدف: تشخیص صحیح، دقیق و به ‌موقع بیماری کووید-19 با استفاده از فناوری‌های هوش مصنوعی و یادگیری ماشین نقش مهمی در بهبود شاخص‌های بیماری، استفاده بهینه از منابع محدود بیمارستانی و کاهش بار کاری کارکنان خط مقدم پاندمی خواهد داشت. بنابراین هدف پژوهش حاضر ارزیابی کارایی الگوریتم‌های منتخب داده‌کاوی در تشخیص بیماری کویید-19 خواهد بود. روش‌ها: پژوهش حاضر یک مطالعه گذشته‌نگر و توصیفی کاربردی است. در این مطالعه از داده‌های بیماران بستری شده با تشخیص قطعی کوویید-19 در بازه زمانی 27 اسفند 1398 لغایت 20 آذر 1399 که در پایگاه داده پرونده الکترونیک سلامت بیماری کووید-19 بیمارستان آیت‌الله طالقانی شهرستان آبادان ثبت شده است، استفاده گردید. پس از اعمال معیارهای ورود و خروج برای شناسایی نمونه‌ها در نهایت 400 رکورد به عنوان ورودی و تغذیه وارد نرم‌افزار داده کاوی وکا ورژن 3.9 شد. داده‌ها با استفاده از ملاک کای دو برای تعیین متغیرها به منظور آموزش الگوریتم‌ها، عملکرد آن‌ها براساس معیارهای مختلف ارزیابانه در ماتریس آشفتگی مورد مقایسه قرار گرفتند. نتایج: براساس مقایسه عملکرد الگوریتم‌های داده‌کاوی با توجه به معیارهای ارزیابانه در ماتریس آشفتگی، الگوریتم J-48 با میزان حساسیت، دقت، و ضریب همبستگی ماتیوس به ترتیب 0/85، 0/85، 0/68 عملکرد بهتری نسبت به سایر الگوریتم‌های داده‌کاوی برای تشخیص بیماری کووید-19 داشت. 3 متغیر وجود ضایعات ریوی، تب و سابقه تماس با افراد مظنون به کرونا با در نظر گرفتن شاخص جینی ایندکس برای تعیین نقطه تقسیم، به ترتیب با میزان جینی ایندکس 0/217، 0/205 و 0/188 به عنوان مهم ترین فاکتورهای موثر در تشخیص کرونا در نظر گرفته شدند. نتیجه‌گیری: استفاده از روش‌های داده کاوی منتخب و به طور خاص الگوریتم J-48 قابلیت بالایی در تشخیص به موقع و اثربخش بیماری کووید-19 در قالب سیستم‌های پشتیبان تصمیم یار بالینی خواهد داشت.

کلیدواژه‌های فارسی مقاله	کووید-19، کرونا ویروس، یادگیری ماشین، داده‌کاوی، مدل تشخیصی

عنوان انگلیسی	Proposing an effective technological solution for the early diagnosis of COVID-19: a data-driven machine learning study

چکیده انگلیسی مقاله	Aim: Accurate and timely diagnosis of COVID-19 using artificial intelligence and machine learning technologies will play an important role in improving the disease indicators, optimal utilization of limited hospital resources and reducing the burden on pandemic healthcare providers. Therefore, this study aimed to evaluate the efficiency of selected data mining algorithms based on their performance for COVID-19 diagnosis. Methods: The present study was a retrospective applied-descriptive study that was conducted in 2020. In this study, the data of patients admitted with a definitive diagnosis of Covid-19 from March 17, 2020 to December 10, 2020 were extracted from the Electronic Medical Record (EMR) database in Ayatollah Taleghani Hospital in Abadan. After applying the inclusion and exclusion criteria to identify the samples, 400 records were entered into the data mining software. The data were compared using chi-square criterion to determine the variables of teach algorithms and their performance based on different evaluation criteria in the turbulence matrix. Results: Comparing the performance from data mining algorithms based on different evaluation criteria in the turbulence matrix revealed that the J-48 algorithm with the sensitivity, precision, and Matthews Correlation Coefficient (MCC) of 0.85, 0.85 and 0.68 respectively had better performance than the other data mining algorithms for the disease diagnosis. The 3 variables of lung lesion existence, fever, and history of contact with suspected COVID-19 patients, by considering Gini Index to determine the point of division, with Gini index of 0.217, 0.205 and 0.188 respectively were considered as the most important diagnostic indicators of COVID-19. Conclusion: Using selected data mining methods, particularly J-48 algorithm will greatly aid the timely and effective diagnosis of COVID-19 in the form of clinical decision support systems.

کلیدواژه‌های انگلیسی مقاله	COVID-19, Coronavirus, machine learning, data mining, diagnostic model.

نویسندگان مقاله	رئوف نوپور \| Raoof Nopour TUMS دانشگاه علوم پزشکی تهران مصطفی شنبه زاده \| Mostafa Shanbehzadeh IlUMS دانشگاه علوم پزشکی ایلام هادی کاظمی آرپناهی \| Hadi Kazemi-Arpanahi Department of Health Information Technology, Abadan University of Medical Sciences, Abadan, Iran. گروه فناوری اطلاعات سلامت، دانشگاه علوم پزشکی آبادان،آبادان، ایران

نشانی اینترنتی	http://jmis.hums.ac.ir/browse.php?a_code=A-10-486-1&slc_lang=fa&sid=1
فایل مقاله	فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده	fa
موضوعات مقاله منتشر شده	تخصصی
نوع مقاله منتشر شده	پژوهشی

برگشت به: صفحه اول پایگاه \| نسخه مرتبط \| نشریه مرتبط \| فهرست نشریات