این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پیاورد سلامت، جلد ۱۱، شماره ۵، صفحات ۵۴۱-۵۴۸
عنوان فارسی مقایسه ی الگوریتم های مختلف طبقه بندی داده ها برای تعیین نوع زردی در نوزادان
چکیده فارسی مقاله زمینه و هدف: زردی در نوزادان مبحثی است که برای متخصصان در سراسر دنیا بسیار مهم تلقی می شود. زیرا این بیماری یکی از عمده ترین وضعیت هایی است که به توجه بالینی نیازمند است. هدف از انجام این پژوهش استفاده از تکنیک های طبقه بندی داده ها برای پیش بینی به موقع نوع زردی نوزادان و در نتیجه پیشگیری از آسیب های جبران ناپذیر به سلامت نوزادان بوده است. روش بررسی: این پژوهش از نوع توصیفی بوده و با استفاده از مجموعه داده های جمع آوری شده درباره ی زردی نوزادان در شهر قاهره مصر انجام شده است. در این بررسی پس از پیش پردازش داده ها، تکنیک های داده کاوی از قبیل درخت تصمیم، Naïve Bayes و k)kNN نزدیکترین همسایه) در نرم افزار Orange بررسی، مقایسه و تحلیل شده است. یافته ها: یافته های حاصل از پژوهش نشان داد که الگوریتم درخت تصمیم با دقت 94 درصد، الگوریتم Naïve Bayes با دقت 91 درصد و الگوریتم نزدیک ترین همسایه با دقت 89 درصد نوع زردی در نوزادان را طبقه بندی می کنند. بنابراین بهترین الگوریتم از لحاظ دقت عملکرد در بین روش های طبقه بندی کننده، الگوریتم درخت تصمیم شناخته شد.  نتیجه گیری: استفاده از الگوریتم های طبقه بندی در ساخت سیستم های تصمیم یار می تواند به پزشکان در تصمیم گیری درباره نوع بیماری ها کمک کند و متخصصان می توانند برای رسیدگی به بیماران متناسب با نوع بیماری اقدام کنند که طی آن مخاطرات احتمالی در اثر عدم شناسایی به موقع یا صحیح بیماری کاهش خواهد یافت. 
کلیدواژه‌های فارسی مقاله نوزادان، داده کاوی، طبقه بندی، زردی، هایپربیلی روبینمی
عنوان انگلیسی Comparison of Data Classification Algorithms to Determine the Type of Neonatal Jaundice
چکیده انگلیسی مقاله Background and Aim: Neonatal jaundice is a matter that is very important for clinicians all over the world because this disease is one of the most common cases that requires clinical care. The aim of this study is to use data classification algorithms to predict the type of jaundice in neonates, and therefore, to prevent irreparable damages in future. Materials and Methods: This is a descriptive study and is done with the use of neonatal jaundice dataset that has been collected in Cairo, Egypt. In this study, after preprocessing the data, classification algorithms such as decision tree, Naïve Bayes, and kNN (k-Nearest Neighbors) were used, compared and analyzed in Orange application. Results: Based on the findings, decision tree with precision of 94%, Naïve Bayes with precision of 91%, and kNN with precision of 89% can classify the types of neonatal jaundice. So, among these types, the most precise classification algorithm is decision tree.  Conclusion: Classification algorithms can be used in clinical decision support systems to help physicians make decisions about the types of special diseases; therefore, physicians can look after patients appropriately. So the probable risks for patients can be decreased. 
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله رضا صفدری | reza safdari
professor, health information management department, school of allied medical sciences, tehran university of medical sciences, tehran, iran
استاد گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی تهران (Tehran university of medical sciences)

ملیحه کدیور | maliheh kadivar
professor, neonatology department, school of medicine, children’s medical center hospital, tehran university of medical sciences, tehran, iran
استاد گروه نوزادان، دانشکده پزشکی، بیمارستان مرکز طبی کودکان، دانشگاه علوم پزشکی تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی تهران (Tehran university of medical sciences)

پریناز تبری | parinaz tabari
master of science in medical informatics, school of allied medical sciences, tehran university of medical sciences, tehran, iran
کارشناس ارشد انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی تهران (Tehran university of medical sciences)

هالا شاوکی اون | hala shawky own
ph.d. in statistics and computer science, solar and space research department, national research institute of astronomy and geophysics, helwan, egypt
دکترای علم آمار و کامپیوتر، گروه تحقیقات فضایی و خورشیدی، موسسه تحقیقات ملی ژئوفیزیک و ستاره شناسی، هلوان، مصر

نشانی اینترنتی http://payavard.tums.ac.ir/browse.php?a_code=A-10-1-278&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/157/article-157-568701.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده فناوری اطلاعات سلامت
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات