این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله تحقیقات نظام سلامت حکیم، جلد ۲۲، شماره ۱، صفحات ۷۵-۸۱
عنوان فارسی پیش‌بینی نوع بیماری مالاریا با استفاده از الگوریتم درخت تصمیم تقسیم و رگرسیون
چکیده فارسی مقاله دریافت: 97/1/28   پذیرش: 97/5/10 چکیده 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. گل‌واژگان: مالاریا، درخت تصمیم، شبکه عصبی، منحنی ROC
کلیدواژه‌های فارسی مقاله مالاریا، درخت تصمیم، شبکه عصبی، منحنی ROC.
عنوان انگلیسی Predicting The Type of Malaria Using Classification and Regression Decision Trees
چکیده انگلیسی مقاله 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   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.   *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
کلیدواژه‌های انگلیسی مقاله Malaria, Decision Tree, Neural Network, ROC Curve.
نویسندگان مقاله مریم عاشوری |
مجتمع آموزش عالی سراوان

فاطمه حمزوی |
مجتمع آموزش عالی سراوان

نشانی اینترنتی http://hakim.hbi.ir/browse.php?a_code=A-10-1245-2&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/84/article-84-1690747.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده عمومی
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات