روشی جدید برای استخراج تداخل دارویی از متن: استفاده از تفکیک دو مرحله ای مبتنی بر جنگل تصادفی در مجموعه های با کلاس های چندگانه و توزیع نامتعادل

تشخیص تداخل دارویی یکی از مسایل مطرح در حوزه ی سلامت است که با توجه به گستردگی حیطه ی داروها و تنوع و پیچیدگی اثرات متقابل آنها به موضوعی برای تکنیک های متن کاوی بدل شده است. با این مواردی از جمله وجود مجموعه داده گان محدود و با کلاس های چندگانه و نامتعادل از چالش های مهم این حوزه می باشند. در این مقاله، یک روش استخراج تداخل دارویی مبتنی بر یادگیری ماشین جهت غلبه بر چالش های فوق ارایه می شود که در آن از راهبردی دو مرحله ای مشتمل بر تشخیص تداخل دارویی و طبقه بندی این تداخل های با استفاده از روش درخت تصادفی استفاده می شود. نتایج حاصل شده از آزمون این روش بر روی بانک داده گان کوچک و نامتعادل حاکی از آن است که ایده ی تفکیکی پیشنهادی قادر به تشخیص بهتر تداخل های در چهار کلاس عملکردی و به میزان های به ترتیب 10 ، 8، 13 و 28 درصد برای سنجه ی امتیاز f1 نسبت به بهترین روش رقیب خود از روش های هم خانواده ی موجود می باشد و بر این اساس می تواند به عنوان روشی با پتانسیل توسعه جهت کاربردهای واقعی تر در نظر گرفته شود.