دوره 7، شماره 3 - ( 9-1399 )
جلد 7 شماره 3 صفحات 262-252 |
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:
Parsapour F, Peymani J. Using Data Mining Techniques for Intelligent Diagnosis of Severity of Depressive Disorder. jhbmi 2020; 7 (3) :252-262
URL: http://jhbmi.ir/article-1-418-fa.html
URL: http://jhbmi.ir/article-1-418-fa.html
پارساپور فرشته، پیمانی جاوید. استفاده از تکنیک‌های داده‌کاوی جهت تشخیص هوشمند شدت اختلال افسردگی. مجله انفورماتیک سلامت و زیست پزشکی. 1399; 7 (3) :252-262
دکتری تخصصی علوم اعصاب، استادیار، گروه روان‌شناسی بالینی، واحد کرج، دانشگاه آزاد اسلامی، البرز، ایران
چکیده: (2718 مشاهده)
مقدمه: پیاده‌سازی روشی که بتواند هر فرد را در تشخیص یا پیشگیری اختلالات روانی یاری رساند می‌تواند گامی مهم در جهت پیشگیری و کنترل این اختلالات به خصوص در مراحل ابتدایی آن‌ها تلقی شود. هدف پژوهش حاضر به‌کار‌گیری تکنیک‌های داده‌کاوی در تشخیص هوشمند شدت اختلال افسردگی است.
روش: پژوهش کاربردی حاضر با مراجعه به تعدادی کلینیک روانپزشکی در شهر تهران و بررسی پرونده بیماران انجام شد. 420 نفر که به پرسشنامه مینه سوتا 71 سؤالی پاسخ داده بودند با استفاده از روش نمونه‌گیری در دسترس به عنوان نمونه انتخاب شدند (300 نفر مبتلا به مراتب متفاوتی از افسردگی و 120 نفر فاقد آن). پاسخنامه آزمون مینه‌سوتا 71 سؤالی و تشخیص روانپزشک به عنوان داده برای ایجاد مدل توسط الگوریتم‌های K نزدیک‌ترین همسایه، درخت تصمیم و ماشین بردار پشتیبان مورد استفاده قرار گرفت. 70 درصد داده‌ها برای آموزش و 30 درصد داده‌ها برای اعتبار‌سنجی مدل به کار گرفته شد. جهت تحلیل داده‌ها از نرم‌افزار Matlab استفاده شد.
نتایج: نتایج ارزیابی‌ها نشان داد که الگوریتم درخت تصمیم با دقت 99/16 درصد به دقت بالا‌تری در مقایسه با دیگر الگوریتم‌ها دست یافت. همچنین با اجرای مدل‌های ایجاد شده بر روی هر سؤال آزمون مینه سوتا 71 سؤالی تأثیر هر سؤال در ارزیابی مشخص شد.
نتیجه‌گیری: تقسیم‌بندی بیماران با رویکرد داده‌کاوی و بر اساس مهم‌ترین ویژگی‌ها، می‌تواند ابزار مفید و مؤثر برای تحلیل و بهبود فرآیند تصمیم‌گیری پزشکان در رابطه با درمان بیماران باشد.
روش: پژوهش کاربردی حاضر با مراجعه به تعدادی کلینیک روانپزشکی در شهر تهران و بررسی پرونده بیماران انجام شد. 420 نفر که به پرسشنامه مینه سوتا 71 سؤالی پاسخ داده بودند با استفاده از روش نمونه‌گیری در دسترس به عنوان نمونه انتخاب شدند (300 نفر مبتلا به مراتب متفاوتی از افسردگی و 120 نفر فاقد آن). پاسخنامه آزمون مینه‌سوتا 71 سؤالی و تشخیص روانپزشک به عنوان داده برای ایجاد مدل توسط الگوریتم‌های K نزدیک‌ترین همسایه، درخت تصمیم و ماشین بردار پشتیبان مورد استفاده قرار گرفت. 70 درصد داده‌ها برای آموزش و 30 درصد داده‌ها برای اعتبار‌سنجی مدل به کار گرفته شد. جهت تحلیل داده‌ها از نرم‌افزار Matlab استفاده شد.
نتایج: نتایج ارزیابی‌ها نشان داد که الگوریتم درخت تصمیم با دقت 99/16 درصد به دقت بالا‌تری در مقایسه با دیگر الگوریتم‌ها دست یافت. همچنین با اجرای مدل‌های ایجاد شده بر روی هر سؤال آزمون مینه سوتا 71 سؤالی تأثیر هر سؤال در ارزیابی مشخص شد.
نتیجه‌گیری: تقسیم‌بندی بیماران با رویکرد داده‌کاوی و بر اساس مهم‌ترین ویژگی‌ها، می‌تواند ابزار مفید و مؤثر برای تحلیل و بهبود فرآیند تصمیم‌گیری پزشکان در رابطه با درمان بیماران باشد.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1398/4/23 | پذیرش: 1398/11/14
دریافت: 1398/4/23 | پذیرش: 1398/11/14
فایل صوتی [M4A 3507 KB] (87 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
