رئوف نوپور - TUMS
مصطفی شنبه زاده - IlUMS
هادی کاظمی آرپناهی - Department of Health Information Technology, Abadan University of Medical Sciences, Abadan, Iran.

هدف: تشخیص صحیح، دقیق و به موقع بیماری کووید-۱۹ با استفاده از فناوری های هوش مصنوعی و یادگیری ماشین نقش مهمی در بهبود شاخص های بیماری، استفاده بهینه از منابع محدود بیمارستانی و کاهش بار کاری کارکنان خط مقدم پاندمی خواهد داشت. بنابراین هدف پژوهش حاضر ارزیابی کارایی الگوریتم های منتخب داده کاوی در تشخیص بیماری کویید-۱۹ خواهد بود. روش ها: پژوهش حاضر یک مطالعه گذشته نگر و توصیفی کاربردی است. در این مطالعه از داده های بیماران بستری شده با تشخیص قطعی کوویید-۱۹ در بازه زمانی ۲۷ اسفند ۱۳۹۸ لغایت ۲۰ آذر ۱۳۹۹ که در پایگاه داده پرونده الکترونیک سلامت بیماری کووید-۱۹ بیمارستان آیت الله طالقانی شهرستان آبادان ثبت شده است، استفاده گردید. پس از اعمال معیارهای ورود و خروج برای شناسایی نمونه ها در نهایت ۴۰۰ رکورد به عنوان ورودی و تغذیه وارد نرم افزار داده کاوی وکا ورژن ۳.۹ شد. داده ها با استفاده از ملاک کای دو برای تعیین متغیرها به منظور آموزش الگوریتم ها، عملکرد آن ها براساس معیارهای مختلف ارزیابانه در ماتریس آشفتگی مورد مقایسه قرار گرفتند. نتایج: براساس مقایسه عملکرد الگوریتم های داده کاوی با توجه به معیارهای ارزیابانه در ماتریس آشفتگی، الگوریتم J-۴۸ با میزان حساسیت، دقت، و ضریب همبستگی ماتیوس به ترتیب ۰/۸۵، ۰/۸۵، ۰/۶۸ عملکرد بهتری نسبت به سایر الگوریتم های داده کاوی برای تشخیص بیماری کووید-۱۹ داشت.  ۳ 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 ۰/۲۱۷، ۰/۲۰۵ و ۰/۱۸۸ به عنوان مهم ترین فاکتورهای موثر در تشخیص کرونا در نظر گرفته شدند.      نتیجه گیری: استفاده از روش های داده کاوی منتخب و به طور خاص الگوریتم J-۴۸ قابلیت بالایی در تشخیص به موقع و اثربخش بیماری کووید-۱۹ در قالب سیستم های پشتیبان تصمیم یار بالینی خواهد داشت.  

COVID-۱۹, Coronavirus, machine learning, data mining, diagnostic model., کووید-۱۹, کرونا ویروس, یادگیری ماشین, داده کاوی, مدل تشخیصی