TY - JOUR T1 - Analysis of Hepatitis Patient Data using Binary Artificial Algae Algorithm based on K-Nearest Neighbor TT - آنالیز داده ‌های مربوط به بیماران هپاتیت با استفاده از الگوریتم جلبک مصنوعی باینری مبتنی بر K نزدیکترین همسایه JF - sjimu JO - sjimu VL - 28 IS - 2 UR - http://sjimu.medilam.ac.ir/article-1-5323-fa.html Y1 - 2020 SP - 59 EP - 71 KW - Binary artificial algae algorithm KW - Feature selection KW - Hepatitis disease diagnosis KW - K-nearest neighbor KW - Medical decision making system N2 - مقدمه: از مشکلات اصلی در علم پزشکی، تشخیص و پیش ‌بینی به موقع بیماری ‌ها می ‌باشد. استفاده از سیستم‌ های تصمیم یار به منظور کشف دانش نهفته در مجموعه اطلاعات بیماری و در سوابق مربوط به بیماران یکی از راهکارهایی است که در زمینه تشخیص و پیشگیری از بیماری بسیار موثر می ‌باشد. هدف اصلی از این مقاله، طراحی یک سیستم تصمیم یار پزشکی است که بتواند بیماری هپاتیت را تشخیص دهد. مواد و روش‌ ها: این مطالعه از نوع توصیفی-تحلیلی می‌ باشد. مجموعه داده آن شامل 155 رکورد با 19 ویژگی موجود در پایگاه داده یادگیری ماشین UCI می ‌باشد. در این مقاله، از الگوریتم جلبک مصنوعی باینری برای انتخاب ویژگی و از k نزدیک ترین همسایه برای کلاس ‌بندی هپاتیت به دو کلاس سالم و ناسالم استفاده شده است. از 80‌ درصد داده‌ ها جهت آموزش و از 20‌ درصد باقی ‌مانده جهت آزمون استفاده شده است. هم چنین جهت ارزیابی مدل از شاخص ‌های دقت، بازخوانی، F-Measure و صحت استفاده شده است. یافته ‌های پژوهش: بررسی اولیه نشان داد که درصد صحت مدل پیشنهادی برابر با 45/96 درصد می‌ باشد. بعد از انتخاب ویژگی با الگوریتم جلبک مصنوعی درصد صحت در بهترین حالت به 36/98 درصد رسید. در مدل پیشنهادی در حالت 300 بار تکرار، مقدار معیارهای دقت، بازخــــوانی، F-Measure، و نرخ خطا به ترتیب برابر با 23/96 درصد، 74/96 درصد، 48/96 درصد، 55/3 درصد می ‌باشند. بحث و نتیجه‌ گیری: هپاتیت یکی از شایع‌ ترین بیماری‌ ها در بین زنان و مردان می ‌باشد. تشخیص به موقع بیماری ضمن کاهش هزینه‌ ها، شانس درمان موفقیت ‌آمیز بیمار را افزایش می ‌دهد. در این مطالعه ضمن تشخیص بیماری به کمک روش ترکیبی، توانستیم با استفاده از انتخاب ویژگی به دقت بالایی در تشخیص بیماری دست یابیم. M3 10.29252/sjimu.28.2.59 ER -