25333

طراحي مدلي براي پيش بيني كم‌خوني با استفاده از روش‌هاي داده‌كاوي

كارشناسي ارشد

مهندسي صنايع- سيستم‌هاي كلان

1397

1400/02/01

محمد فتحيان بروجني

محمدرضا رسولي

مهندسي صنايع

كم‌خوني يا آنمي نوعي اختلال خوني شايع است كه در آن گلبول‌هاي قرمز يا هموگلوبين كعافي در خون وجود ندارد. اين بيماري سالانه صدها هزار انسان را در سطح جهان و كشور مبتلا مي‌سازد و افراد با علائمي هم چون رنگ پريدگي، خستگي، احساس ضعف و سرگيجه، ضربان نامنظم قلب، تنگي نفس و درد قفسه سينه درگير هستند. بيماري‌هايي هم‌چون سرطان خون، ايدز، بيماريهاي كليوي، روماتيسم مفصلي و بسياري از بيماري‌هاي حاد و مزمن عفوني نيز مي‌توانند از كمبود يا اختلال در توليد گلبول‌هاي قرمز خون منشا بگيرند. داده‌كاوي و استفاده از الگوريتم‌هاي يادگيري ماشين براي تشخيص و پيش‌بيني بيماري‌ها، نوع جديدي از سيستم پردازش اطلاعات است كه در سال‌هاي اخير به سرعت توسعه يافته اسعت. لذا در اين تحقيق با استفاده از داده‌هاي خوني برگرفته از يك آزمايشگاه خيريه در منطقه 14 شهر تهران و پس از انجام مراحل پيش‌پردازش و نرمال‌سازي داده‌ها از الگوريتم‌هايي جهت پيش‌بيني بيمار و يا سالم بودن افراد استفاده شده است كه تشخيص بدون نياز به مراجعه به پزشك و با بهره‌گيري از نتايج آزمايش شمارش كامل سلول‌هاي خوني را ميسر ساخته است. بدين منظور از مدل‌هاي پيش‌بيني هم‌چون درخت تصميم، رگرسيون لجستيكي، رگرسيون لسو، رگرسيون ستيغي، نايو بيز گوسين، تخصيص پنهاني ديريكله، تحليل تفكيك خطي، جنگل تصادفي به عنوان بدنه مدل استفاده شده است. اين سيستم مي‌تواند در كاهش هزينه‌هاي تشخيص بيماري، بيماران را ياري كند ضمن اين كه الگوريتم‌هاي يادگيري ماشين پياده‌سازي شده بر روي آزمايش خون موجود از لحاظ دقت و صحت به‌صورت چشمگيري عملكرد بالايي داشتند و اين مي‌تواند امتيازي جهت برتري اين سيستم پشتيبان تصميم‌گيري باليني و حتي جايگزين مناسبي براي تشخيص بيماري با مراجعه به پزشك باشد. سيستم تصميم‌يار باليني تشخيص و پيش‌بيني بيماري كم‌خوني توسعه داده شده در اين پژوهش ضمن سرعت بخشيدن به فرآيند تصميم‌گيري، افزايش كنترل در امر تشخيص، سرعت بخشيدن به حل مسئله، كمك به خودكارسازي فرآيندهاي تشخيصي، موجب بهبود كارايي براي پيش‌بيني و پيشگيري زودهنگام از كم‌خوني كه مي‌تواند زمينه‌ساز بيماري‌هايي هم‌چون سرطان خون و يا سرطان مغز استخوان باشد نيز مي‌شود.

1400/07/17

4/21/2022 12:00:00 AM

Diagnosis and detection of diseases, especially iron deficiency anemia is being used in various methods, because of the importance of early detection that can help doctors saving patients’ lives. Diagnosis can be facilitated by the machine learning methods and data mining algorithms, which majority of them are supervised and need labeled datasets. The overall goal of the data mining process is to extract information from a dataset and turn it into comprehensible data to help the user making decisions. Discovering knowledge from a large amount of data from patients' records using data mining can lead to improved quality of medical services. These tools can include statistical models, mathematical algorithms, and machine learning methods such as regression and classification. In the process of predicting and diagnosing anemia, mainly classification methods such as k-nearest neighborhood, decision tree, Support vector machine, random forest, and naive Bayes and neural networks have been used. The necessity of data-analysis-based methods is being felt like a vital gap, which is crucial in order to analyze the collected data and elicitate the useful knowledge out of it. Therefore, recognition of eligible features and factors for iron deficiency anemia can be the advantage of mentioned model. Thus, in this dissertation, blood data has been taken from a laboratory in the 14th district of Tehran and after preprocessing and normalizing the data, algorithms were used to predict the disease. If individuals are healthy, the diagnosis is done with the utilization of CBC tests and does not need an appointment with a doctor.