مروری بر استفاده از روش های داده کاوی برای پیشگیری و تشخیص بیماری سل

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 708

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

AISST02_041

تاریخ نمایه سازی: 6 اردیبهشت 1396

چکیده مقاله:

بیماری سل که بزرگترین علت مرگ ناشی از بیماری های عفونی تک عاملی است. دارای مرتبه دهم در بار جهانی بیماری ها است و پیش بینی می شود تا سال 2020 همچنان جایگاه کنونی خود را حفظ کند و یا تا رتبه هفتم بالا رود. هدف اصلی این مطالعه، بررسی استفاده از روش های داده کاوی برای شناسایی و تشخیص بیماری سل است. پیچیدگی و زمان بر بودن تشخیص بیماری سل باعث گردیده تا محققان دست به ابداع روش هایی بزنند که با سرعت بالا و انجام محاسبات کمتر به نتایج قابل قبول دست یابند. یکی از روش های جمع آوری اطلاعات در بیماری سل، داده کاوی است. تاکنون تحقیقات زیادی در مورد استفاده از روش های داده کاوی برای تشخیص بیمار ها انجام گرفته که استفاده از داده کاوی در تشخیص بیماری سل نیز از جمله آنهاست. در تحقیقات صورت گرفته نیز بیشتر از تکنیک های درخت تصمیم و شبکه عصبی استفاده شده است. با بررسی تحقیقات گذشته می توان نتیجه گرفت که بهترین مدل ایجاد شده درخت تصمیم 5.C4 بود. با بکارگیری قوانین ایجاد شده برای یک نمونه جدید با ویژگیهای مشخص می توان در زمان کمتری تعیین کرد که احتمال ابتلا به بیماری سل چقدر است

نویسندگان

شیما مهرمحمدی

گروه، نرم افزار ، واحد نیشابور ، دانشگاه آزاد اسلامی ، نیشابور ، ایران

رضا قائمی

گروه، نرم افزار ، واحد نیشابور ، دانشگاه آزاد اسلامی ، نیشابور ، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • کاربرد داده کاوی در تشخیص بیماری سل [مقاله کنفرانسی]
  • Global tuberculosis control , epidemiology, strategy, financing : WHO report ...
  • Treatment of tuberculosis: guidelines - 4th ed. WHO/H TM/TB /2009 ...
  • Two Crows Corpo ration, Introduction to Data Mining and Knowledge ...
  • Usama Fayyad, Gregory P iatetsky- Shapiro, and Padhraic Smyth.From, Data ...
  • Rieder HL. Epidemiologic basis of tuberculosis control. International Union Against ...
  • Han J, Kamber M, Data mining: Concepts and techniques, 2nd ...
  • Michalski, RS, Bratko, I, Kubat, M, Machine learning and data ...
  • Alizadeh , S, Ghazanfari, M, Teimorpour, B .Data Mining and ...
  • Fayyad M, Piatetsky, G, Uthurusamy, R, Smyth P, Advances in ...
  • intelligence, 17(3): 37-54, 1996. ...
  • Cooper G, Aliferis F, Ambrosinoa R, Aronisb B, Buchananb RC, ...
  • Intelligence in Medicine , 9(4): 107-138, 1996. ...
  • Bakar AA, Febriyani F, Rough Neural Network Model for Tuberculosis ...
  • Sanchez MA, Uremovich S, Acrogliano P. Mining Tuberculosis Data. In: ...
  • Tamer, "Predicting existence of Mycobacterium tuberculosis on patients using data ...
  • Asha. T, S. Natarajan, K.N.B.Murthy, A Study of Associative Classifiers ...
  • Chinnaiyan Ponnuraja, Data Mining with Decision Tree to Evaluate the ...
  • Shakshi, Garg, Navpreet, Rupal, A Review on Tuberculosis Using Data ...
  • Ceylan, H, Analysis and design of concrete pavement systems using ...
  • Du, K. -L, Swamy, M. N. S, Neural networks in ...
  • Ceylan, H, Analysis and design of concrete pavement systems using ...
  • J.Han, and M.Kamber, Data Mining: Concepts and Techniques, San Diego ...
  • Stark K, Pfeiffer D, The application of non- parametric techniques ...
  • Analysis, 3(1): 23-25, 2006. ...
  • Agresti, A, An Introduction to Categorical Data Analysis. 2 edition. ...
  • Lee, SK. On Classification and Regression Trees for Multiple Responses ...
  • David Hand, Heikki Mannila , Padhraic Smyth. Principles of Data ...
  • Alpaydin, E, Introduction to machine learning, MIT Press, 2004 ...
  • نمایش کامل مراجع