استفاده از تکنیک‌های داده‌کاوی جهت تشخیص هوشمند شدت اختلال افسردگی

مقدمه: پیاده‌سازی روشی که بتواند هر فرد را در تشخیص یا پیشگیری اختلالات روانی یاری رساند می‌تواند گامی مهم در جهت پیشگیری و کنترل این اختلالات به خصوص در مراحل ابتدایی آن‌ها تلقی شود. هدف پژوهش حاضر به‌کار‌گیری تکنیک‌های داده‌کاوی در تشخیص هوشمند شدت اختلال افسردگی است.روش: پژوهش کاربردی حاضر با مراجعه به تعدادی کلینیک روانپزشکی در شهر تهران و بررسی پرونده بیماران انجام شد. 420 نفر که به پرسشنامه مینه سوتا 71 سوالی پاسخ داده بودند با استفاده از روش نمونه‌گیری در دسترس به عنوان نمونه انتخاب شدند (300 نفر مبتلا به مراتب متفاوتی از افسردگی و 120 نفر فاقد آن). پاسخنامه آزمون مینه‌سوتا 71 سوالی و تشخیص روانپزشک به عنوان داده برای ایجاد مدل توسط الگوریتم‌های k نزدیک‌ترین همسایه، درخت تصمیم و ماشین بردار پشتیبان مورد استفاده قرار گرفت. 70 درصد داده‌ها برای آموزش و 30 درصد داده‌ها برای اعتبار‌سنجی مدل به کار گرفته شد. جهت تحلیل داده‌ها از نرم‌افزار matlab استفاده شد.نتایج: نتایج ارزیابی‌ها نشان داد که الگوریتم درخت تصمیم با دقت 16.99 درصد به دقت بالا‌تری در مقایسه با دیگر الگوریتم‌ها دست یافت. همچنین با اجرای مدل‌های ایجاد شده بر روی هر سوال آزمون مینه سوتا 71 سوالی تاثیر هر سوال در ارزیابی مشخص شد.نتیجه‌گیری: تقسیم‌بندی بیماران با رویکرد داده‌کاوی و بر اساس مهم‌ترین ویژگی‌ها، می‌تواند ابزار مفید و موثر برای تحلیل و بهبود فرآیند تصمیم‌گیری پزشکان در رابطه با درمان بیماران باشد.

Using Data Mining Techniques for Intelligent Diagnosis of Severity of Depressive Disorder

Introduction: Implementing a method that can help individuals diagnose or prevent mental disorders can be an important step in preventing and controlling these disorders especially in the early stages. The objective of this research was to apply data mining techniques for intelligent diagnosis of severity of depressive disorder.Method: The present applied research was carried out by going to a number of psychiatric clinics in Tehran and investigating patientschr('39') medical records. A total of 420 subjects who responded to the Minnesota Multiphasic Personality Inventory (MMPI, 71 questions) were selected through convenience sampling as the sample of the study (300 subjects were diagnosed with different degrees of depression and 120 subjects showed no symptoms of depression). The answer sheet of MMPI and the diagnosis of the psychiatrist were used as data for developing the model by kNearest Neighbor (kNN), Decision Tree, and Support Vector Machine algorithms. About 70 percent of the data were applied for training and 30 percent of the data were used for validating the model. MATLAB software was used for data analysis. Results: The results of the evaluations showed that Decision Tree algorithm with accuracy of 99.16% had higher accuracy compared to other algorithms. Furthermore, by implementing the developed models on each question of MMPI, the influence of each question on evaluation was determined.Conclusion: Classifying patients with data mining approach and based on the most important characteristics can be a useful and effective tool for analyzing and improving the decisionmaking process of physicians regarding the treatment of patients.