جلد 17، شماره 57 - ( 4-1393 )                   جلد 17 شماره 57 صفحات 46-57 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Dormohammadi S, Alizadeh S, Asghari M, Shami M. Proposing a prediction model for diagnosing Causes of Infertility by Data Mining Algorithms. jha. 2014; 17 (57) :46-57
URL: http://jha.iums.ac.ir/article-1-1514-fa.html
درمحمدی سمیرا، علیزاده سمیه، اصغری محسن، شامی مریم. ارائه مدل پیش بینی تشخیص عوامل ناباروری با استفاده از الگوریتم‌های داده کاوی. فصلنامه مدیریت سلامت. 1393; 17 (57) :46-57

URL: http://jha.iums.ac.ir/article-1-1514-fa.html


1- دانشجوی کارشناسی ارشد فناوری اطلاعات، دانشکده مهندسی صنايع، دانشگاه خواجه نصير الدين طوسی، تهران، ايران دانشگاه خواجه نصیرالدین طوسی ، samira.dormohammadi@ymail.com
2- استاديار گروه مهندسی فناوری اطلاعات، دانشکده مهندسی صنايع، دانشگاه خواجه نصير الدين طوسی، تهران، ايران دانشگاه خواجه نصیرالدین طوسی
3- کارشناسی ارشد، فناوری اطلاعات، دانشکده مهندسی صنايع، دانشگاه خواجه نصير الدين طوسی، تهران، ايران دانشگاه خواجه نصیرالدین طوسی
4- کلينيک، رياست، بيمارستان صارم، تهران، ايران بیمارستان صارم تهران
چکیده:   (2612 مشاهده)
مقدمه: حدود 15-10 درصد از زوجین نابارور هستند. ناباروری علل متفاوتی دارد و تشخیص روش درمان بیماران بر اساس نوع عامل ناباروری آن‌ها انجام می‌شود. در این تحقیق مدلی ارائه شده است که بر اساس ویژگی‌های اولیه و نتایج آزمایشات ساده علل ناباروری افراد را پیش‌بینی می‌کند که می تواند به پزشکان در تشخیص زودهنگام علت ناباروری و تصمیم گیری بهینه کمک کند. 
روش کار:
داده‌های این تحقیق برگرفته از داده‌های ناباروری بیمارستان صارم تهران می‌باشد. در این تحقیق از روش های دادهکاوی استفاده شده است. ابتدا روش خوشه‌بندی k-means و سپس روش‌های دسته‌بندی ماشین بردار پشتیبان (SVM: Support Vector Machine) و شبکه‌های عصبی مصنوعی به منظور پیش‌بینی نوع علل ناباروری، اجرا و نتایج دو الگوریتم دسته‌بندی با هم مقایسه شدند. همچنین برای تحلیل داده‌ها و اجرای الگوریتم‌های بخش مدل، از نرم‌افزار SPSS Clementine 12.0 استفاده شده است.
یافته‌ها:
در بخش خوشه‌بندی بر اساس الگوریتم K-means داده‌ها به پنج خوشه تقسیم شدند. در هر گروه یک یا چند علت ناباروری مشاهده شد. در ادامه و با اجرای الگوریتم‌های دسته‌بندی SVM و شبکه عصبی مصنوعی، مشخص شد که الگوریتم SVM با نوع کرنل چندجمله‌ای بالاترین کارایی را به دست آورد.
نتیجه گیری:
انجام این تحقیق علاوه بر اینکه منجر به شناخت بهتر ویژگی های بیماران ناباروری شد، می تواند زمینه ای برای انجام تحقیقات آتی باشد. از آنجائی که با تشخیص علل ناباروری افراد قبل از مراحل ثانویه و آزمایشات سنگین، به مقدار قابل توجهی در هزینه و زمان صرفه‌جویی و از اثرات جسمی که بر بیماران می‌گذارد کاسته خواهد شد، می‌توان در مطالعات آینده با استفاده از نتایج این تحقیق سیستمی را جهت اجرای این مدل پیاده‌سازی نمود.
متن کامل [PDF 825 kb]   (1772 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: عمومى
دریافت: ۱۳۹۲/۱۱/۲۱ | پذیرش: ۱۳۹۳/۶/۱۱ | انتشار: ۱۳۹۳/۶/۱۱

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مدیریت سلامت می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2015 All Rights Reserved | Journal of Health Administration

Designed & Developed by : Yektaweb