تشخیص بیماری سل ریوی با استفاده از هوش مصنوعی(الگوریتم بیز ساده)

زمینه و هدف: موفقیت مورد انتظار در کاهش و کنترل بیماری سل به ‌رغم اجرای برنامه های پیشگیرانه و درمانی موثر فراهم نشده که یکی از دلایل آن، تاخیر در تشخیص قطعی می ‌باشد. بنابراین ایجاد یک سیستم کمک تشخیص برای غربالگری بیماری سل می ‌تواند به تشخیص زودهنگام این بیماری کمک کند. هدف از این تحقیق، ارزیابی الگوریتم بیز ساده به عنوان ابزاری برای تشخیص سل ریوی است. روش بررسی: در این مطالعه ‌ی کاربردی، جامعه پژوهش بیماران دارای علایم سل و نمونه پژوهش، داده‌ های ثبت شده‌ ی 582 فرد با علایم اولیه سل در بیمارستان مسیح دانشوری تهران است. اطلاعات نمونه ‌ها با تشخیص تاییدشده در دو کلاس مبتلا به سل ریوی و نرمال بررسی گردید. از الگوریتم بیز ساده (naive bayes) برای غربالگری بیماری سل ریوی با استفاده از علایم عمومی و اولیه بیماران از زبان برنامه نویسی پایتونpython) ) استفاده شده است.یافته ها: دقت (accuracy)، حساسیت (sensitivity) و ویژگیspecificity) ) حاصل از پیاده ‌سازی الگوریتم بیز ساده جهت تشخیص بیماری سل ریوی به ترتیب 89.95%، 59.93% و 53.98% به دست آمد و سطح زیر منحنی مشخصه عملکرد (auc) برابر با 91.98% محاسبه شد. نتیجه‌ گیری: عملکرد مدل بیز ساده برای تشخیص بیماری سل ریوی دقت قابل قبولی دارد. این سیستم می تواند برای کمک به بیمار و مدیریت بیماری در نقاط دور افتاده با دسترسی محدود به منابع آزمایشگاهی و کمبود متخصص، استفاده و موجب تسریع در تشخیص شود. همچنین می تواند موجب اقداماتی به موقع و مناسب جهت کنترل سرایت سل ریوی به سایر افراد و تسریع بهبود این بیماری باشد.

Diagnosis of Pulmonary Tuberculosis Using Artificial Intelligence (Naive Bayes Algorithm)

Background and Aim: Despite the implementation of effective preventive and therapeutic programs, no significant success has been achieved in the reduction of tuberculosis. One of the reasons is the delay in diagnosis. Therefore, the creation of a diagnostic aid system can help to diagnose early Tuberculosis. The purpose of this research was to evaluate the role of the Naive Bayes algorithm as a tool for the diagnosis of pulmonary Tuberculosis.Materials and Methods: In this practical study, the study population included Patients with TB symptoms, the study sample is recorded data of 582 individuals with primary Tuberculosis symptoms in Tehran's Masih Daneshvari Hospital. The data of samples were investigated in two classes of pulmonary Tuberculosis and nonTuberculosis. A Naive Bayes algorithm for screening pulmonary Tuberculosis using primary symptoms of patients has been used in Python software version 3.7.Results: Accuracy, sensitivity and specificity after the implementation of the Naive Bayes algorithm for diagnosis of pulmonary Tuberculosis were %95.89, %93.59 and %98.53, respectively, and the Area under curve was calculated %98.91.Conclusion: The performance of a Naive Bayes model for diagnosis of pulmonary Tuberculosis is accurate. This system can be used to help the patient and manage illness in remote areas with limited access to laboratory resources and healthcare professional and cause to diagnose early Tuberculosis. It can also lead to timely and appropriate proceedings to control the transmission of TB to other people and to accelerate the recovery of the disease.