در این سلسله مقالات به کاربرد داده‌کاوی در تحلیل، تشخیص و پیش‌بینی بیماری‌های مختلف پرداخته می‌شود. بدین ترتیب که با استفاده از الگوریتم‌ها و روش‌های داده‌کاوی در کنار اطلاعات بیماران مختلف راهی برای تحلیل، تشخیص و پیش‌بینی بیماری‌های مختلف ارائه می‌شود. درواقع داده خام اطلاعات بیماران و روش‌های نیز روش‌های استفاده‌شده در علوم داده‌کاوی است که منجر به تولید دانشی مفید برای علوم پزشکی می‌گردد. مطالعه این مقالات می‌تواند برای اشخاصی که درزمینهٔ داده‌کاوی پزشکی و سلامت فعالیت می‌کنند راهگشا بوده و مفید واقع شود. بنا بر ادعای برخی علم پزشکی یک علم مبتنی بر آمار است و بسیاری از راه‌حل‌های ارائه شهد برای بیماران از طریق روش‌ها و راه‌های تحلیل آماری حاصل می‌شود. این ادعا و واقعیت‌های مرتبط در این رشته مقالات که با عنوان استفاده از داده‌کاوی برای تحلیل بیماری‌ها در موارد مختلف تولید خواهد شد بررسی می‌شود. آکادمی داده امیدوار است در این رشته مقالات، پژوهشگران عزیز را با مفاهیم این حوزه و کارهای انجام‌شده آشنا نماید. 

چه چیزی داده کاوی نیست؟

داده کاوی چیست؟

آموزش ابزارِ داده کاوی رپیدماینر

​معرفی منابع برای یادگیری داده کاوی

در مقاله درباره تحقیق با عنوان"مدل پیش بینی بیماری عروق کرونر با استفاده از شبکه عصبی و گزینش متغییر مبتنی بر درخت رگرسیون و طبقه بندی" صحبت خواهد شد. در خلاصه این مقاله می خوانیم:

با توجه به آنكه خطرات اجراي روشهاي تشخيص تهاجمي در بيماري عروق كرونر از جمله آنژيوگرافي قابل ملاحظه مي باشد و از طرفي تجارب موفقيت آميزي در مورد روشهاي داده كاوي در پزشكي حاصل شده است؛ لذا اين مطالعه با هدف توليد مدلي مبتني بر تكنيك داده كاوي شبكه هاي عصبي كه قابليت پيشبيني بيماري عروق كرونر را داشته باشد انجام شده است.

 روش بررسي: در اين مطالعه توصيفي-تحليلي، مجموعه دادهاي شامل 9 ريسك فاكتور از اطلاعات 13228 نفر كه در مركز قلب تهران آنژيوگرافي شده بودند (4059 نفر فاقد بيماري عروق كرونر و 9169 نفر مبتلا به اين بيماري) مورد استفاده قرار گرفت. توليد مدل پيشبيني بيماري عروق كرونر بر اساس شبكه عصبي پرسپترون چند لايه و روش گزينش متغير، مبتني بر درخت رگرسيون و طبقه بندي مي باشد كه هر دو با استفاده از نرم افزار Statistica انجام شده است. براي مقايسه و انتخاب بهترين مدل از آناليز منحني راك استفاده گرديد.

يافته ها: پس از هفت مرتبه مدل سازي و مقايسه مدلهاي توليد شده، مدل نهايي تشكيل شده از كل ريسك فاكتورهاي موجود با سطح زير منحني راك 754/0 ،دقت 19/74 ،%حساسيت 41/92 %و ويژگي 25/33% بدست آمد. در نتيجه انجام گزينش متغير نيز مدلي متشكل از 4 ريسك فاكتور با سطح زير منحني راك 737/0، دقت 19/74 ،%حساسيت 34/93 %و ويژگي 17/31 %توليد شد.

 نتيجه گيري: در اين مطالعه مدل بدست آمده مبتني بر شبكه هاي عصبي، علاوه بر توانايي بالا در تشخيص افراد بيمار، تعداد قابل قبولي از افرادي كه فاقد بيماري عروق كرونر بودند را نيز شناسايي كرد. همچنين، بكارگيري تكنيكهاي گزينش متغير در اين مطالعه نيز نتايج خوبي در زمينه كاهش پيچيدگي مدل به همراه داشت و منجر به توليد مدلي متشكل از تنها چهار ريسك فاكتور سن، جنس، ديابت و فشارخون بالا گرديد.

با مطالعه این مقاله می توان به این نتیجه رسید که محققین با استفاده از شبکه عصبی سعی کرده اند مدلی برای پیش بینی وقوع بیماری عروق کرونر ارائه دهند. شایسته بود از الگوریتم گسترده تری برای ایجاد مدل استفاده می نمودند زیرا دقت 74 درصدی برای طبقه بندی بیماران از افراد سالم پتانسیل بررسی بیشتر برای رسیدن به دقت بالاتر را نشان می دهد. الگوریتم هایی مانند ماشین بردار پشتیبان می توانند گزینه مناسبی باشند. از نقاط قوت این تحقیق مجموعه داده کامل این تحقیق می باشد که از بیش از سیزده هزار نفر تشکیل شده است. همان طور که می دانید مجموعه داده در کارهای انجام شده برای استفاده از داده کاوی برای بیماری از اهمیت زیادی برخوردار است. این مقاله توسط چهار محقق از دانشکده های مختلف دانشگاه تهران نوشته شده است.

این مقاله از طریق لینک قابل دسترسی است و محققین علاقه مند می توانند از آن استفاده نمایند. 

کپی برداری بدون ذکر منبع، براساس قانون جرایم اینترتی و مادۀ 12 فصل سوم قانون جرایم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است! 

اگر در زمینه داده کاوی برای پیش بینی بیماری در حال تحقیق یا پیاده سازی پروژه یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد. 

افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.