Journal of Ilam University of Medical Sciences
مجله دانشگاه علوم پزشکی ایلام
J. Ilam Uni. Med. Sci.
Medical Sciences
http://sjimu.medilam.ac.ir
96
journal96
1563-4728
2588-3135
doi
fa
jalali
1399
2
1
gregorian
2020
5
1
28
2
online
1
fulltext
fa
آنالیز داده های مربوط به بیماران هپاتیت با استفاده از الگوریتم جلبک
مصنوعی باینری مبتنی بر K نزدیکترین همسایه
Analysis of Hepatitis Patient Data using Binary Artificial
Algae Algorithm based on K-Nearest Neighbor
آمار حیاتی
vital statics
پژوهشي
Research
<strong><em><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">مقدمه:</span></span></em></strong> <span style="font-family:B Mitra;"><span style="font-size:10.0pt;">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.</span></span><span dir="LTR"><span style="font-size:10.0pt;"></span></span><br>
<strong><em><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">مواد و روش ها:</span></span></em></strong> <span style="font-family:B Mitra;"><span style="font-size:10.0pt;">این مطالعه از نوع توصیفی-تحلیلی می باشد. مجموعه داده آن شامل 155 رکورد با 19 ویژگی موجود در پایگاه داده یادگیری ماشین </span></span><span dir="LTR"><span style="font-size:10.0pt;">UCI</span></span><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"> می باشد. در این مقاله، از الگوریتم جلبک مصنوعی باینری برای انتخاب ویژگی و از </span></span><span dir="LTR"><span style="font-size:10.0pt;">k</span></span><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"> نزدیک ترین همسایه برای کلاس بندی هپاتیت به دو کلاس سالم و ناسالم استفاده شده است. از 80</span></span> <span style="font-family:B Mitra;"><span style="font-size:10.0pt;">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، </span></span><span dir="LTR"><span style="font-size:10.0pt;">F-Measure</span></span><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"> و صحت استفاده شده است.</span></span><br>
<strong><em><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">یافته های پژوهش:</span></span></em></strong> <span style="font-family:B Mitra;"><span style="font-size:10.0pt;">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، </span></span><span dir="LTR"><span style="font-size:10.0pt;">F-Measure</span></span><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">، و نرخ خطا به ترتیب برابر با 23/96 درصد، 74/96 درصد، 48/96 درصد، 55/3 درصد می باشند.</span></span><span dir="LTR"><span style="font-size:10.0pt;"></span></span><br>
<strong><em><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">بحث و نتیجه گیری:</span></span></em></strong> <span style="font-family:B Mitra;"><span style="font-size:10.0pt;">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.</span></span>
<em>Introduction:</em> The timely diagnosis and prediction of diseases are among the main issues in medical sciences. The use of decision-making systems to discover the underlying knowledge in the disease information package and patient records is one of the most effective ways of diagnosing and preventing disease. This study aimed to design a medical decision system that can detect hepatitis.<br>
<br>
<em>Materials & Methods:</em> This study was conducted based on a descriptive-analytic design. Its dataset contains 155 records with 19 features in the University of California-Irvine machine learning database. This study utilized the Binary Artificial Algae Algorithm (BAAA) for Feature Selection (FS). Moreover, K-Nearest Neighbor (KNN) was used to classify hepatitis into two healthy and unhealthy classes. In total, 80% of the data was employed for training, and the remaining (20%) was used for testing. Furthermore, Precision, Recall, F-measure, and Accuracy were utilized to evaluate the model.<br>
<em>Findings:</em> According to the results, the accuracy of the proposed model was estimated at 96.45%. After selecting the features with the BAAA, the percentage of the accuracy reached 98.36% in the best situation. In the proposed model with 300 repetitions, the Precision, Recall, F-Measure, and error rate were 96.23%, 96.74%, 96.48%, and 3.55%, respectively.<br>
<br>
<em>Discussion & Conclusions:</em> Hepatitis is one of the most common diseases among females and males. A timely diagnosis of this disease not only reduces the costs but also increases the chance of successful treatment. In this study, the disease was diagnosed using the hybrid method, and a high accuracy level was obtained in disease diagnosis by FS.
سیستم تصمیم یار پزشکی, تشخیص بیماری هپاتیت, الگوریتم جلبک مصنوعی باینری, k نزدیک ترین همسایه, انتخاب ویژگی
Binary artificial algae algorithm, Feature selection, Hepatitis disease diagnosis, K-nearest neighbor, Medical decision making system
59
71
http://sjimu.medilam.ac.ir/browse.php?a_code=A-10-5226-1&slc_lang=fa&sid=1
Atefe
Biglari Saleh
عاطفه
بیگلری صالح
atefebiglari1366@gmail.com
9600319475328460042714
9600319475328460042714
No
Dept of Computer Engineering, Urmia Branch, Islamic Azad University, Urmia, Iran
گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران
Farhad
Soleimanian Gharehchopogh
فرهاد
سلیمانیان قره چپق
bonab.farhad@gmail.com
9600319475328460042715
9600319475328460042715
Yes
Dept of Computer Engineering, Urmia Branch, Islamic Azad University, Urmia, Iran
گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران