الگوریتم‌های یادگیری ماشین برای پیشگیری از انتشار بیماری‌های واگیر بر پایه ویژگی‌های موثر در تشخیص کووید-19

این مطالعه باهدف توسعه الگوریتم‌های هوش مصنوعی بر پایه اینترنت اشیاء انجام شده است که ضمن تشخیص و پیش‌بینی همه‌گیری در زمان واقعی با استفاده از مکان افراد، بر مراقبت و بهبود نیز تاکید می‌کند.بیماری هدف در این پژوهش باتوجه‌به اهمیت و فراگیری، کووید-19 است.بر اساس نوع گردآوری داده‌ها از نوع پژوهش‌های کیفی بوده و باتوجه‌به توسعه الگوریتم‌ها، روش تحقیق در این پژوهش مبتنی بر علم طراحی است. رویکرد تحقیق آینده‌نگر است، به‌طوری‌که مکانیزم انتقال بیماری و ویژگی‌های تاثیرگذار آن ما را قادر به‌پیش بینی‌هایی در مورد بیماری و در نتیجه طرح استراتژی‌های کنترل بیماری و مراقبت‌های بهداشتی می‌نماید.پژوهش در یک فرایند 7 مرحله‌ای انجام شد. ویژگی‌های اینترنت اشیاء در پژوهش حاضر با نظر خبرگان استخراج شد و ویژگی‌های به‌دست‌آمده در آزمایش 2 الگوریتم مختلف «k نزدیک‌ترین همسایگی» و «درخت تصمیم» بر روی داده‌ها برای تعیین بهترین مدل ایجاد شد.پس از انتخاب بهترین عمق و بهترین همسایگی در الگوریتم‌ها، اعتبار و تصدیق مدل با تحلیل ماتریس ابهام انجام شد.نتایج اجرای الگوریتم‌ها برای پیش‌بینی بیماری کووید-19، دقت بالاتر از 98 درصد را نشان دادند. حساسیت بالاتر (99 درصد) که برای تشخیص بیماری کووید19 اهمیت بالایی دارد و نشان‌دهنده حداقل موارد منفی کاذب در نتایج آزمون است، در الگوریتم درخت تصمیم به دست آمد.

machine learning algorithms to prevent the spread of infectious diseases based on effective features in the diagnosis of covid-19

this study aimed to develop iot-based machine learning algorithms care and improvement while detecting and predicting real-time epidemics.the target disease is covid-19 due to its importance and epidemic.the research method is based on design science. the research approach is forward-looking, so the mechanism of disease transmission and its effective characteristics enable us to make predictions about the disease and thus design disease control strategies and health care.the research was carried out in a seven-step process. iot features were extracted in the present study with experts’ opinions. the features obtained in the experiment of two different algorithms, &k nearest neighbor& and &decision tree,& were created on the data to determine the best model.after selecting the best depth validation of the model were performed by confusion matrix analysis.the results of running k-nearest neighborhood and decision tree algorithms for the prediction of covid-19 indicated an accuracy of > 98%. higher sensitivity (99%) was obtained in the decision tree algorithm, which is very important diagnosing covid-19 and indicates the minimum number of false negatives in the test results.