دوره 22، شماره 1 - ( بهار 1398 )
جلد 22 شماره 1 صفحات 81-75 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
ashuri M, hamzavi F. Predicting The Type of Malaria Using Classification and Regression Decision Trees. Hakim 2019; 22 (1) :75-81
URL: http://hakim.tums.ac.ir/article-1-1812-fa.html
URL: http://hakim.tums.ac.ir/article-1-1812-fa.html
عاشوری مریم، حمزوی فاطمه. پیش‌بینی نوع بیماری مالاریا با استفاده از الگوریتم درخت تصمیم تقسیم و رگرسیون. تحقیقات نظام سلامت حکیم. 1398; 22 (1) :75-81
مریم عاشوری* 
1، فاطمه حمزوی2
1، فاطمه حمزوی2
1- مربـی دانشـکده فنـی و مهندسـی، مجتمـع آمـوزش عالـی سـراوان، ایـران ، maryam.ashoori@gmail.com
2- مربـی دانشـکده کشـاورزی،مجتمع آموزش عالی سراوان، ایران
2- مربـی دانشـکده کشـاورزی،مجتمع آموزش عالی سراوان، ایران
چکیده: (1355 مشاهده)
مقدمه: مالاریا یک بیماری عفونی است که سالانه 200 تا 300 میلیون نفر را گرفتار می‌سازد. ویژگی‌های محیطی چون بارش، درجه حرارت و رطوبت از جمله عوامل تاثیرگذار بر توزیع جغرافیایی و شیوع این بیماری هستند. همچنین، شرایط محیطی نیز بر فعالیت و وفور پشه ناقل بیماری مالاریا تاثیرگذار است. پژوهش حاضر با هدف ارائه مدلی برای پیش‌بینی نوع مالاریا صورت گرفت.
روش کار: پژوهش حاضر به روش توصیفی- مقطعی صورت گرفت. جامعه‌ی پژوهش متشکل از 285 نفر مراجعه‌کننده به مرکز بهداشت سراوان از مرداد 88 تا آذر 95 بود. جهت تحلیل داده‌ها از نرم‌افزار کلمنتاین 12 (Clementine12.0) استفاده شد. برای مدل‌سازی از الگوریتم‌های درخت تصمیم تقسیم و رگرسیون، آشکارساز تعامل خودکار مجذور کای، سی پنج و شبکه عصبی استفاده شد.
یافته‌ها: مقدار صحت به‌دست آمده از اجرای الگوریتم‌های درخت تصمیم تقسیم و رگرسیون، آشکارساز تعامل خودکار مجذور کای، سی پنج و شبکه عصبی به ترتیب 7217/0، 6698/0، 6840/0 و 6557/0 بود. مقادیر به‌دست آمده برای شاخص‌های حساسیت، شفافیت، صحت، دقت و ارزش اخباری منفی و سطح زیر منحنی مشخصه‌ی عملکرد سیستم برای مدل درخت تصمیم تقسیم و رگرسیون نشان‌دهنده‌ی عملکرد بهتر این الگوریتم نسبت به سایر الگوریتم‌ها بود. مقادیر حساسیت و سطح زیر منحنی برای مدل درخت تصمیم تقسیم و رگرسیون 5787/0 و 66/0 بود.
نتیجه‌گیری: استفاده از رو‌ش‌های نوین داده‌کاوی برای تحلیل داده‌های مالاریا، نحوه‌ی نگرش مراکز تحقیقات مالاریا را نسبت به شناسایی نوع مالاریا با توجه به گونه حشره تغییر می‌دهد. شناسایی سریع‌تر و دقیق‌تر نوع مالاریا به تشخیص صحیح روش درمان مناسب کمک نموده، منجر به ارتقای عملکرد سازمان‌های سلامت می‌گردد.
روش کار: پژوهش حاضر به روش توصیفی- مقطعی صورت گرفت. جامعه‌ی پژوهش متشکل از 285 نفر مراجعه‌کننده به مرکز بهداشت سراوان از مرداد 88 تا آذر 95 بود. جهت تحلیل داده‌ها از نرم‌افزار کلمنتاین 12 (Clementine12.0) استفاده شد. برای مدل‌سازی از الگوریتم‌های درخت تصمیم تقسیم و رگرسیون، آشکارساز تعامل خودکار مجذور کای، سی پنج و شبکه عصبی استفاده شد.
یافته‌ها: مقدار صحت به‌دست آمده از اجرای الگوریتم‌های درخت تصمیم تقسیم و رگرسیون، آشکارساز تعامل خودکار مجذور کای، سی پنج و شبکه عصبی به ترتیب 7217/0، 6698/0، 6840/0 و 6557/0 بود. مقادیر به‌دست آمده برای شاخص‌های حساسیت، شفافیت، صحت، دقت و ارزش اخباری منفی و سطح زیر منحنی مشخصه‌ی عملکرد سیستم برای مدل درخت تصمیم تقسیم و رگرسیون نشان‌دهنده‌ی عملکرد بهتر این الگوریتم نسبت به سایر الگوریتم‌ها بود. مقادیر حساسیت و سطح زیر منحنی برای مدل درخت تصمیم تقسیم و رگرسیون 5787/0 و 66/0 بود.
نتیجه‌گیری: استفاده از رو‌ش‌های نوین داده‌کاوی برای تحلیل داده‌های مالاریا، نحوه‌ی نگرش مراکز تحقیقات مالاریا را نسبت به شناسایی نوع مالاریا با توجه به گونه حشره تغییر می‌دهد. شناسایی سریع‌تر و دقیق‌تر نوع مالاریا به تشخیص صحیح روش درمان مناسب کمک نموده، منجر به ارتقای عملکرد سازمان‌های سلامت می‌گردد.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
