Journal of Health and Biomedical Informatics

fa پیش‌بینی افسردگی با استفاده از تکنیک‌های داده‌کاوی و الگوریتم‌های هوش مصنوعی Predicting Depression Using Data Mining Techniques and Artificial Intelligence Algorithms داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;">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. <div style="text-align: justify;"></div></div> <div style="text-align: justify;">Introduction: Modern lifestyles have led to various mental health disorders and significant psychological issues—such as anxiety, stress, and depression—in many individuals. Psychologists encounter challenges during the interview process that stem from the process itself, the interviewee, and the interviewer; these errors can be attributed to the intricate and highly complex network of interactions occurring during face-to-face exchanges between the interviewer and the interviewee. Given that human beings and human interactions are inherently prone to error, and that the diagnosis of disorders is often influenced by the emotions and feelings of both the client and the therapist, there is a critical need for a tool capable of predicting depression with high accuracy and without human intervention. Method: In this study, real data was used to predict depression and demonstrate the proposed method. The dataset comprised 600 individuals, of whom 297 were diagnosed as not having depression and 303 as having depression. The C5.0 decision tree was employed to extract rules, while a genetic algorithm was used to select the optimal rules yielding the highest prediction accuracy. The proposed method was evaluated based on the weighted count of correctly predicted samples. Results: The results demonstrated that the proposed method offers significantly higher accuracy than many existing machine learning techniques. Furthermore, among all the extracted rules, those exhibiting the greatest impact—along with minimal overlap and conflict—regarding the detection of the presence or absence of depression were selected. Additionally, the algorithm identified the most influential features associated with depression. Based on the analyzed data, suicidal ideation, hypochondriasis, and childhood trauma were identified, in that order, as three significant and influential factors in depression. Conclusion: The use of data mining techniques and machine learning tools is highly efficient and effective for predicting depression. Extracting the most significant features influencing the output variable can substantially reduce time and costs for clients while enhancing the accuracy of the therapist's diagnosis.</div> داده کاوی, افسردگی, هوش مصنوعی, الگوریتم ژنتیک, درخت تصمیم Data Mining, Depression, Artificial Intelligence, Genetic Algorithm, Decision Tree 1 11 http://jhbmi.ir/browse.php?a_code=A-10-1151-1&slc_lang=fa&sid=1 Behzad Rabiee-Ghahfarrokhi بهزاد ربیعی قهفرخی b.rabiee1364@gmail.com 100319475328460011148 100319475328460011148 Yes B.S.c in Psychology, Faculty of Psychology, Payam Noor University, Farrokh Shahr Center, Chaharmahal and Bakhtiari, Iran کارشناسی روان‌شناسی، دانشکده روان‌شناسی، دانشگاه پیام نور، مرکز فرخ‌شهر، چهارمحال و بختیاری، ایران Zahra Babadi Akashe زهرا بابادی عکاشه zakashe@pnu.ac.ir 100319475328460011149 100319475328460011149 No Assistant Professor, Department of Education, Payame Noor University, Tehran, Iran استادیار گروه علوم تربیتی، دانشگاه پیام نور، تهران، ایران