پیش‌بینی نوع بیماری مالاریا با استفاده از الگوریتم درخت تصمیم تقسیم و رگرسیون

مقدمه: مالاریا یک بیماری عفونی است که سالانه 200 تا 300 میلیون نفر را گرفتار می سازد. ویژگی های محیطی چون بارش، درجه حرارت و رطوبت از جمله عوامل تاثیرگذار بر توزیع جغرافیایی و شیوع این بیماری هستند. همچنین، شرایط محیطی نیز بر فعالیت و وفور پشه ناقل بیماری مالاریا تاثیرگذار است. پژوهش حاضر با هدف ارائه مدلی برای پیش بینی نوع مالاریا صورت گرفت.روش کار: پژوهش حاضر به روش توصیفی مقطعی صورت گرفت. جامعه ی پژوهش متشکل از 285 نفر مراجعه کننده به مرکز بهداشت سراوان از مرداد 88 تا آذر 95 بود. جهت تحلیل داده ها از نرم افزار کلمنتاین 12 (clementine12.0) استفاده شد. برای مدل سازی از الگوریتم های درخت تصمیم تقسیم و رگرسیون، آشکارساز تعامل خودکار مجذور کای، سی پنج و شبکه عصبی استفاده شد.یافته ها: مقدار صحت به دست آمده از اجرای الگوریتم های درخت تصمیم تقسیم و رگرسیون، آشکارساز تعامل خودکار مجذور کای، سی پنج و شبکه عصبی به ترتیب 7217/0، 6698/0، 6840/0 و 6557/0 بود. مقادیر به دست آمده برای شاخص های حساسیت، شفافیت، صحت، دقت و ارزش اخباری منفی و سطح زیر منحنی مشخصه ی عملکرد سیستم برای مدل درخت تصمیم تقسیم و رگرسیون نشان دهنده ی عملکرد بهتر این الگوریتم نسبت به سایر الگوریتم ها بود. مقادیر حساسیت و سطح زیر منحنی برای مدل درخت تصمیم تقسیم و رگرسیون 5787/0 و 66/0 بود.نتیجه گیری: استفاده از رو ش های نوین داده کاوی برای تحلیل داده های مالاریا، نحوه ی نگرش مراکز تحقیقات مالاریا را نسبت به شناسایی نوع مالاریا با توجه به گونه حشره تغییر می دهد. شناسایی سریع تر و دقیق تر نوع مالاریا به تشخیص صحیح روش درمان مناسب کمک نموده، منجر به ارتقای عملکرد سازمان های سلامت می گردد.

Predicting The Type of Malaria Using Classification and Regression Decision Trees

Predicting The Type of Malaria Using Classification and Regression Decision TreesMaryam Ashoori1 *, Fatemeh Hamzavi21School of Technical and Engineering, Higher Educational Complex of Saravan, Saravan, Iran2School of Agriculture, Higher Educational Complex of Saravan, Saravan, IranAbstractBackground: Malaria is an infectious disease infecting 200 300 million people annually. Environmental factors such as precipitation, temperature, and humidity can affect its geographical distribution and prevalence. The environmental factors are also effective in the abundance and activity of malaria vectors. The present study aimed at presenting a model to predict the type of malaria.Methods: This crosssectional study was conducted using the data of 285 people referring to a health center in Saravan from June 2009 to December 2016. Clementine 12.0 was used for data analysis. The modeling was done using classification and regression decision trees, chisquared automatic interaction detector, C 5.0, and neural network algorithms.Results: The accuracy of classification and regression decision trees, chisquared automatic interaction detector, C5.0, and neural network was 0.7217, 0.6698, 0.6840, and 0.6557, respectively. Classification and regression decision trees performed better than the other algorithms in terms of sensitivity, specificity, accuracy, precision, negative predictive value, and area under the ROC curve. The sensitivity and area under the ROC curve were 0.5787 and 0.66 for classification and regression decision trees.Conclusions: Applying data mining methods for the analysis of malaria’s data can change the current attitude toward malaria type determination. Faster and more precise identification of malaria type helps determine the proper cure and improve the performance of health organizations.Keywords: Malaria; Decision Tree; Neural Network; ROC Curve Please cite this article as follows:Ashoori M, Hamzavi F. Predicting Malaria Type Using Classification & Regression Decision Tree Algorithm. Hakim Health Sys Res 2019; 22(1): 75 81. *Corresponding Author: M.Sc. of Information Technology Engineering, School of Technical and Engineering, Higher Educational Complex of Saravan, Pasdaran Blvd., Saravan, Iran. Tel: +989155338721, Fax: +985437630090, Email: mashoori@saravan.ac.ir