fa مرور نظام مند کاربرد شبکه بیزین ساده در پیش‌بینی بیماری‌ها تخصصي Special مقاله مروری تشریحی Narrative review articles <p dir="RTL" style="text-align:justify;"><span style="font-family:tahoma;"><span style="font-size: 14px;"><strong><span style="color: black;">مقدمه:</span></strong> با پیشرفت فناوری در دهه اخیر، استفاده از الگوریتم‌های‌ یادگیری ماشین در پیش‌بینی بیماری‌ها بسیار حائز اهمیت و رو به افزایش است. هدف از مطالعه حاضر بررسی اهمیت یکی از الگوریتم‌های پرکاربرد در پیش‌بینی بیماری‌ها به نام شبکه بیزین ساده و همچنین دسته‌بندی مقالات مرتبط با پیش‌بینی بیماری‌ها با الگوریتم‌های داده‌کاوی می‌باشد.</span></span></p> <p dir="RTL" style="text-align:justify;"><span style="font-family:tahoma;"><span style="font-size: 14px;"><strong><span style="color: black;">روش:</span></strong> مطالعه حاضر یک پژوهش مروری نظام‌مند است. جستجوی کامل از طریق پایگاه‌های داده آنلاین و موتورهای جستجو از قبیل <span dir="LTR">Scopus</span>، <span dir="LTR">Science Direct</span>، <span dir="LTR">Web of Science</span> و <span dir="LTR">Medline</span> برای یافتن مقالات در بازه زمانی سال‌های 2007 تا 2017 انجام گرفت. </span></span></p> <p dir="RTL" style="text-align:justify;"><span style="font-family:tahoma;"><span style="font-size: 14px;"><strong><span style="color: black;">نتایج</span></strong><strong>:</strong> در مجموع 90 چکیده یافت شد که 27 مقاله با معیارهای ورود و خروج مطالعه همخوانی داشت. شبکه بیزین ساده در مقایسه با بقیه الگوریتم‌های موجود برای پیش‌بینی بیماری‌ها قرار گرفت که در 92 درصد (25 از 27 مقاله) نتایج، الگوریتم بیزین از کارایی بهتری برخوردار بود. نتایج پژوهش انجام شده مؤید اثربخشی الگوریتم بیزین ساده در پیش‌بینی بیماری‌ها بود.</span></span></p> <p dir="RTL" style="text-align:justify;"><span style="font-family:tahoma;"><span style="font-size: 14px;"><strong>نتیجه‌گیری:</strong> شبکه بیزین ساده یکی از بهترین روش‌های پیش‌بینی بیماری‌ها در مقایسه با نظر متخصصان و الگوریتم‌های موجود دیگر می‌باشد که می‌تواند به عنوان روش حمایتی در کنار تصمیمات پزشکان قرار گیرد تا صحت پیش‌بینی بیماری‌ها را ارتقاء دهد.</span></span></p> <div style="text-align: justify;"><strong>Introduction:</strong> Due to the improvement of technology during the last decade, using machine learning algorithms for predicting diseases has found great importance. The goal of this research was to investigate the importance of Na&iuml;ve Bayesian network as the most applied algorithm in predicting diseases and classifying relevant articles related to disease prediction with data mining algorithms.<br> <strong>Methods:</strong> This was a systematic review study. A comprehensive search was performed from 2007 to 2017 in online databases and search engines including Scopus, Science Direct, web of science and MEDLINE.<br> <strong>Results:</strong> From a total of 90 identified abstracts through the research, 27 ones were compatible with inclusion and exclusion criteria. Na&iuml;ve Bayesian network was compared with other algorithms and in 92% of articles (25 articles out of 27), it had better accuracy in disease prediction. Results of this research showed effectiveness of Na&iuml;ve Bayesian algorithm in disease prediction.<br> <strong>Conclusion</strong>: Na&iuml;ve Bayesian network is one of the best algorithms for disease prediction in comparison with experts&rsquo; decision and other algorithms. This algorithm can be used beside physicians&rsquo; decision to improve the accuracy of disease prediction.<br> &nbsp;</div> الگوریتم بیزین ساده, پیش‌بینی بیماری, شبکه بیزین Naïve Bayesian algorithm, Predicting disease, Bayesian network 319 327 http://jhbmi.ir/browse.php?a_code=A-10-164-1&slc_lang=fa&sid=1 Mostafa Langarizadeh مصطفی لنگری زاده langarizadeh2001@yahoo.com 10031947532846003580 10031947532846003580 No Iran university of medical sciences دکترای انفورماتیک پزشکی، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران. Fateme Moghbeli فاطمه مقبلی fateme.moghbeli@gmail.com 10031947532846003581 10031947532846003581 Yes Ph.D. Student in Medical Informatics, Health Information Management Dept., School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran. دانشجوی دکترای انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Mohammad Reza Alibeyk محمدرضا علی بیک m.alibeyk@gmail.com 10031947532846003582 10031947532846003582 No Iran university of medical sciences کارشناس ارشد کتابداری، مربی، گروه کتابداری و اطلاع‌رسانی پزشکی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران.