Hakim Research Journal

fa پیش‌بینی نوع بیماری مالاریا با استفاده از الگوریتم درخت تصمیم تقسیم و رگرسیون Predicting The Type of Malaria Using Classification and Regression Decision Trees عمومى General كاربردي Applicable <div style="text-align: center;"></div> <div style="text-align: justify;">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.</div> Predicting The Type of Malaria Using Classification and Regression Decision Trees Maryam Ashoori1 *, Fatemeh Hamzavi2 1School of Technical and Engineering, Higher Educational Complex of Saravan, Saravan, Iran 2School of Agriculture, Higher Educational Complex of Saravan, Saravan, Iran Abstract Background: Malaria is an infectious disease infecting 200 - 300 million people annually. Environmental factors such as precipitation, temperature, and humidity can affect its geographical distribution and prevalence. The environmental factors are also effective in the abundance and activity of malaria vectors. The present study aimed at presenting a model to predict the type of malaria. Methods: This cross-sectional study was conducted using the data of 285 people referring to a health center in Saravan from June 2009 to December 2016. Clementine 12.0 was used for data analysis. The modeling was done using classification and regression decision trees, chi-squared automatic interaction detector, C 5.0, and neural network algorithms. Results: The accuracy of classification and regression decision trees, chi-squared automatic interaction detector, C5.0, and neural network was 0.7217, 0.6698, 0.6840, and 0.6557, respectively. Classification and regression decision trees performed better than the other algorithms in terms of sensitivity, specificity, accuracy, precision, negative predictive value, and area under the ROC curve. The sensitivity and area under the ROC curve were 0.5787 and 0.66 for classification and regression decision trees. Conclusions: Applying data mining methods for the analysis of malaria’s data can change the current attitude toward malaria type determination. Faster and more precise identification of malaria type helps determine the proper cure and improve the performance of health organizations. Keywords: Malaria; Decision Tree; Neural Network; ROC Curve   <table border="0" cellpadding="0" cellspacing="0"> <tbody> <tr> <td style="width:720px;height:68px;">Please cite this article as follows: Ashoori M, Hamzavi F. Predicting Malaria Type Using Classification & Regression Decision Tree Algorithm. Hakim Health Sys Res 2019; 22(1): 75- 81.</td> </tr> </tbody> </table>   <table align="left" cellpadding="0" cellspacing="0"> <tbody> <tr> <td height="20"></td> </tr> <tr> <td></td> <td></td> </tr> </tbody> </table> *Corresponding Author: M.Sc. of Information Technology Engineering, School of Technical and Engineering, Higher Educational Complex of Saravan, Pasdaran Blvd., Saravan, Iran. Tel: +98-9155338721, Fax: +98-5437630090, Email: mashoori@saravan.ac.ir مالاریا, درخت تصمیم, شبکه عصبی, منحنی ROC. Malaria, Decision Tree, Neural Network, ROC Curve. 75 81 http://hakim.tums.ac.ir/browse.php?a_code=A-10-1245-2&slc_lang=fa&sid=1 maryam ashuri مریم عاشوری maryam.ashoori@gmail.com Yes مربـی دانشـکده فنـی و مهندسـی، مجتمـع آمـوزش عالـی سـراوان، ایـران fatemeh hamzavi فاطمه حمزوی No مربـی دانشـکده کشـاورزی،مجتمع آموزش عالی سراوان، ایران