مجله انفورماتیک سلامت و زیست پزشکی
دوره 13، شماره 1 - ( 3-1405 )
جلد 13 شماره 1 صفحات 11-1 |
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:
Rabiee-Ghahfarrokhi B, Babadi Akashe Z. Predicting Depression Using Data Mining Techniques and Artificial Intelligence Algorithms. jhbmi 2026; 13 (1) :1-11
URL: http://jhbmi.ir/article-1-915-fa.html
URL: http://jhbmi.ir/article-1-915-fa.html
ربیعی قهفرخی بهزاد، بابادی عکاشه زهرا. پیشبینی افسردگی با استفاده از تکنیکهای دادهکاوی و الگوریتمهای هوش مصنوعی. مجله انفورماتیک سلامت و زیست پزشکی. 1405; 13 (1) :1-11
کارشناسی روانشناسی، دانشکده روانشناسی، دانشگاه پیام نور، مرکز فرخشهر، چهارمحال و بختیاری، ایران
چکیده: (1727 مشاهده)
مقدمه: سبک زندگی مدرن امروزی باعث ایجاد انواع مختلف اختلالات سلامت روان در بسیاری از افراد و مشکلات روانی زیادی مانند اضطراب، استرس و افسردگی شده است. در انجام مصاحبه، روانشناس با مشکلاتی مواجه است که معلول فرآیند مصاحبه، مصاحبه شونده و مصاحبهگر میباشند که این اشتباهات را میتوان معلول شبکه بغرنج و بسیار پیچیده کنشهایی دانست که در روابط چهره به چهره بین مصاحبهگر و مصاحبه شونده صورت میگیرد. با توجه به اینکه انسان و روابط انسانی همیشه مستعد بروز خطا بوده و تشخیص اختلالات، بعضاً تابعی از عواطف و احساسات مراجع و درمانگر میباشد، استفاده از ابزاری که بتواند بدون دخالت انسان و با دقت بسیار بالا افسردگی را پیشبینی کند، ضروریاست.
روش کار: در این پژوهش، از دادههای واقعی برای پیشبینی افسردگی و معرفی روش پیشنهادی استفاده شد. این دادهها مربوط به 600 نفر مراجعه کننده است که از میان آنها 297 نفر بدون افسردگی و 303 نفر نیز دارای افسردگی تشخیص داده شدهاند. در این پژوهش از درخت تصمیم C5.0 جهت استخراج قوانین و از الگوریتم ژنتیک برای انتخاب بهترین قوانین با بالاترین دقت پیشبینی استفاده گردید. ارزیابی روش پیشنهادی با استفاده از معیار تعداد نمونههای بهدرستی پیشبینیشده با وزندهی انجام شد.
یافتهها: نتایج نشان داد که روش پیشنهادی دقتی به مراتب بالاتر از بسیاری از روشهای یادگیری ماشین ارائه میدهد همچنین از میان تمامی قوانین استخراج شده، همچنین از میان تمامی قوانین استخراجشده، قوانینی انتخاب گردیدند که بیشترین تأثیر و کمترین همپوشانی و تعارض را در تشخیص افسردگی یا عدم افسردگی داشتند. افزون بر این مؤثرترین ویژگیهای دخیل در افسردگی نیز توسط الگوریتم مشخص گردید. براساس دادههای مورد بررسی، به ترتیب انگیزه خودکشی، خود بیمار انگاری یا هیپوکندریازیس و ترومای دوران کودکی، به عنوان سه عامل مهم و مؤثر در افسردگی تشخیص داده شدند.
نتیجهگیری: استفاده از تکنیکهای داده کاوی و ابزارهای یادگیری ماشین در پیشبینی افسردگی بسیار کارا و مؤثر است. استخراج مهمترین ویژگیهای تأثیرگذار بر متغیر خروجی میتواند تأثیر بسزایی در کاهش زمان و هزینه مراجعان و همچنین افزایش دقت تشخیص درمانگر داشته باشد.
روش کار: در این پژوهش، از دادههای واقعی برای پیشبینی افسردگی و معرفی روش پیشنهادی استفاده شد. این دادهها مربوط به 600 نفر مراجعه کننده است که از میان آنها 297 نفر بدون افسردگی و 303 نفر نیز دارای افسردگی تشخیص داده شدهاند. در این پژوهش از درخت تصمیم C5.0 جهت استخراج قوانین و از الگوریتم ژنتیک برای انتخاب بهترین قوانین با بالاترین دقت پیشبینی استفاده گردید. ارزیابی روش پیشنهادی با استفاده از معیار تعداد نمونههای بهدرستی پیشبینیشده با وزندهی انجام شد.
یافتهها: نتایج نشان داد که روش پیشنهادی دقتی به مراتب بالاتر از بسیاری از روشهای یادگیری ماشین ارائه میدهد همچنین از میان تمامی قوانین استخراج شده، همچنین از میان تمامی قوانین استخراجشده، قوانینی انتخاب گردیدند که بیشترین تأثیر و کمترین همپوشانی و تعارض را در تشخیص افسردگی یا عدم افسردگی داشتند. افزون بر این مؤثرترین ویژگیهای دخیل در افسردگی نیز توسط الگوریتم مشخص گردید. براساس دادههای مورد بررسی، به ترتیب انگیزه خودکشی، خود بیمار انگاری یا هیپوکندریازیس و ترومای دوران کودکی، به عنوان سه عامل مهم و مؤثر در افسردگی تشخیص داده شدند.
نتیجهگیری: استفاده از تکنیکهای داده کاوی و ابزارهای یادگیری ماشین در پیشبینی افسردگی بسیار کارا و مؤثر است. استخراج مهمترین ویژگیهای تأثیرگذار بر متغیر خروجی میتواند تأثیر بسزایی در کاهش زمان و هزینه مراجعان و همچنین افزایش دقت تشخیص درمانگر داشته باشد.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |