جلد 17، شماره 57 - ( 7-1393 )
جلد 17 شماره 57 صفحات 57-46 |
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:
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
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
سمیرا درمحمدی 
1، سمیه علیزاده2 ، محسن اصغری2 ، مریم شامی3
1، سمیه علیزاده2 ، محسن اصغری2 ، مریم شامی3
1- دانشگاه خواجه نصیرالدین طوسی ، samira.dormohammadi@ymail.com
2- دانشگاه خواجه نصیرالدین طوسی
3- بیمارستان صارم تهران
2- دانشگاه خواجه نصیرالدین طوسی
3- بیمارستان صارم تهران
چکیده: (7082 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.
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.
نوع مقاله: پژوهشي |
دریافت: 1392/11/21 | پذیرش: 1393/6/11 | انتشار: 1393/6/11
دریافت: 1392/11/21 | پذیرش: 1393/6/11 | انتشار: 1393/6/11
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
