فهرست مطالب نویسنده:

سمیرا درمحمدی

انتخاب همه

ارائه مدل پیش بینی تشخیص عوامل ناباروری با استفاده از الگوریتم های داده کاوی

سمیرا درمحمدی، سمیه علیزاده، محسن اصغری، مریم شامی

نشریه مدیریت سلامت، پیاپی 57 (پاییز 1393)، صص 46 -57

مقدمه
حدود 15-10 درصد از زوجین نابارور هستند. ناباروری علل متفاوتی دارد و تشخیص روش درمان بیماران بر اساس نوع عامل ناباروری آن ها انجام می شود. در این تحقیق مدلی ارائه شده است که بر اساس ویژگی های اولیه و نتایج آزمایشات ساده علل ناباروری افراد را پیش بینی می کند که می تواند به پزشکان در تشخیص زودهنگام علت ناباروری و تصمیم گیری بهینه کمک کند.
روش کار
داده های این تحقیق برگرفته از داده های ناباروری بیمارستان صارم تهران می باشد. در این تحقیق از روش های داده کاوی استفاده شده است. ابتدا روش خوشه بندی k-means و سپس روش های دسته بندی ماشین بردار پشتیبان (SVM: Support Vector Machine) و شبکه های عصبی مصنوعی به منظور پیش بینی نوع علل ناباروری، اجرا و نتایج دو الگوریتم دسته بندی با هم مقایسه شدند. همچنین برای تحلیل داده ها و اجرای الگوریتم های بخش مدل، از نرم افزار SPSS Clementine 12.0 استفاده شده است.
یافته ها
در بخش خوشه بندی بر اساس الگوریتم K-means داده ها به پنج خوشه تقسیم شدند. در هر گروه یک یا چند علت ناباروری مشاهده شد. در ادامه و با اجرای الگوریتم های دسته بندی SVM و شبکه عصبی مصنوعی، مشخص شد که الگوریتم SVM با نوع کرنل چندجمله ای بالاترین کارایی را به دست آورد.
نتیجه گیری
انجام این تحقیق علاوه بر اینکه منجر به شناخت بهتر ویژگی های بیماران ناباروری شد، می تواند زمینه ای برای انجام تحقیقات آتی باشد. از آنجائی که با تشخیص علل ناباروری افراد قبل از مراحل ثانویه و آزمایشات سنگین، به مقدار قابل توجهی در هزینه و زمان صرفه جویی و از اثرات جسمی که بر بیماران می گذارد کاسته خواهد شد، می توان در مطالعات آینده با استفاده از نتایج این تحقیق سیستمی را جهت اجرای این مدل پیاده سازی نمود.

کلید واژگان: ناباروری, مدل, داده کاوی, k, means, ماشین بردار پشتیبان, شبکه های عصبی مصنوعی

چکیده مشاهده متن زبان: فارسی

Proposing a prediction model for diagnosing Causes of Infertility by Data Mining Algorithms

S. Dormohammadi, S. Alizadeh, M. Asghari, M. Shami

Journal of Health Administration, Volume:17 Issue: 57, 2014, PP 46 -57

Introduction
About 10-15 percent of Iranian couples are infertile which is due to different causes determining particular diagnostic and treatment methods. In this study، the model presented is based on basic features and simple tests، helping physicians predict the causes of infertility
Methods
The data were taken from Sarem hospital infertility data bank by using data mining methods. First، K-means clustering was run; then، support vector machine and artificial neural network classification methods were used to predict the type of infertility، and finally، the results of two classification algorithms were compared. In addition، SPSS Clementine 12. 0 was used to analyze the data and implement the algorithm in modeling part.
Results
In k-means clustering، the data were divided into five clusters. In each cluster، one or more causes of infertility were observed. Then، by applying SVM and artificial neural network classification algorithms، the SVM algorithm with a polynomial kernel appeared to have the maximum accuracy.
Conclusion
The findings of this study، could contribute to the understanding of the factors responsible for infertility and pave the way for future investigations. These findings can be used in future studies to develop a system for applying this model since by diagnosing the causes of infertility prior to secondary stages and before performing heavy tests، a considerable amount of time and cost will be saved، and physical burden on patient will be decreased.

Keywords: Infertility, Model, Data Mining, k, means, Support Vector Machine, Artificial Neural Network

Abstract View Paper Original: Persian

بدانید!

در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

سمیرا درمحمدی