حسین باقری خامنه - دانشگاه آزاد اسلامی واحد آشتیان ،دانشجوی کارشناسی ارشد
سمیه مهماندوست - دانشگاه آزاد اسلامی واحد آشتیان ،دانشجوی کارشناسی ارشد
عباس کریمی - گروه کامپیوتر،دانشگاه آزاد اسلامی واحد مرکزی،هیئت علمی دانشگاه آزاد اسلامی واحد اراک

مشکل سیستم های تشخیص خطا بویژه در سیستم های ثبت داده حجیم پزشکی، این است که تنها حالت های خاصی از سیستم را در نظر می گیرند و همچنین میزان خطای رخ داده را مشخص نمی کنند . این در حالی است که خطای رخ داده می تواند در حد تنها تغییر یک فیلد در کل پایگاه داده باشد و یا اینکه شامل تخریب کل اطلاعات یک بیمارستان باشد . این محدوده خطا می بایست مشخص شده و براساس میزان خطای رخ داده استراتژی متفاوتی لحاظ گردد . مشکل سیستم های تشخیص خطا بویژه در سیستم های ثبت داده حجیم پزشکی، این است که تنها حالت های خاصی از سیستم را در نظر می گیرند و همچنین میزان خطای رخ داده را مشخص نمی کنند . این در حالی است که خطای رخ داده می تواند در حد تنها تغییر یک فیلد در کل پایگاه داده باشد و یا اینکه شامل تخریب کل اطلاعات یک بیمارستان باشد . این محدوده خطا می بایست مشخص شده و براساس میزان خطای رخ داده استراتژی متفاوتی لحاظ گردد . از شش الگوریتم مختلف دسته بندی شبکه عصبی، شبکه بیزین، درخت های تصمیم گیری,CART,QUEST,CHAID5.0C برای ساخت مدل استفاده نمودیم . شبکه عصبی دارای بالاترین دقت و به دنبال ان درخت CART دارای بالاترین دقت بود . درخت حاصل شده از الگوریتم CART استخراج شد از آنجایی که این الگوریتم دارای بالاترین دقت در بین الگوریتم های دیگر درخت تصمیم گیری دارد به بیان و شرح قوانین آن پرداختیم . از قوانین استخراج شده می توانیم برای تصمیم گیری های آتی استفاده نماییم . زیرا که با شناسایی رفتار و ویژگی های افراد می توانیم تا حد زیادی از شیوع بیماری آن ها جلوگیری نموده و با ارائه برنامه ها و راهکارها سلامت آن ها را حفظ نماییم .

داده کاوی،Apriori, CART, C5.0, CHAID, QUEST