ارائه مدل جهت شناسایی عوامل موثر بر ایجاد بیماری آسم با استفاده از داده‌ کاوی

مقدمه: شناخت عوامل محیطی خطر ایجاد آسم، نقش مهمی در پیشگیری یا کاهش شدت آن ایفا می ‌کند. امروزه می توان این کار را با استفاده از تکنیک های نوین انجام داد. داده کاوی یکی از این تکنیک ها است که کاربردهای فراوانی در زمینه ‌های تشخیص، پیش بینی و درمان دارد، هدف این پژوهش شناسایی عوامل موثر بر ایجاد بیماری آسم و ارائه مدل پیش بینی با استفاده از الگوریتم ‌های داده کاوی است.مواد و روش ها: این پژوهش از نوع توصیفی با رویکرد کاربردی می ‌باشد. پایگاه داده آن شامل 220 رکورد می ‌باشد. داده‌ ها با استفاده از چک لیست و با روش مصاحبه از بیماران مراجعه کننده به یک درمانگاه در سال 1394 جمع آوری گردید. تجزیه و تحلیل داده ‌ها و مدلسازی با استفاده از نرم افزار ibm spss modeler نسخه 14.2 انجام شده است. در بخش مدل سازی از الگوریتم‌ های درخت تصمیم chaid و c5، الگوریتم شبکه عصبی و الگوریتم شبکه بیز استفاده شده است.یافته های پژوهش: در این مطالعه 12 متغیر به عنوان موثرترین فاکتورها تعیین گردید و صحت مدل ایجاد شده بر روی داده‌ های مورد استفاده در الگوریتم chaid 72.73 درصد، c5 69.1 درصد، شبکه بیز 70.9 درصد و شبکه عصبی 65.45 درصد بوده است.بحث و نتیجه گیری: یافته ها نشان داد مدل حاصل از الگوریتم درخت تصمیم chaid از صحت عملکرد(72.73 درصد) بالاتری نسبت به مدل‌ های دیگر برخوردار است. با توجه به متغیرهای پیش بینی کننده و قوانین ایجاد شده برای یک نمونه جدید با ویژگی‌ های مشخص، می ‌توان احتمال ابتلا فرد به بیماری آسم را پیش بینی نمود.

A Proposed Model to Identify Factors Affecting Asthma using Data Mining

Introduction: The identification of asthma risk factors plays an important role in the prevention of the asthma as well as reducing the severity of symptoms. Nowadays, the identification process can be performed using modern techniques. Data mining is one of the techniques which has many applications in the fields of diagnosis, prediction, and treatment. This study aimed to identify the effective factors on asthma to provide a predictive model using data mining algorithms. Materials Methods: This descriptive study with a practical approach included 220 data bases. The data were collected using a checklist and interviews from the patients referred to clinical centers of Shahid Sadoughi Hospital in Yazd, Iran, during 2014. The data were analyzed in SPSS IBM Modeler software (Version 14.2). Moreover, the CHAID decision tree,C5 algorithm, neural network algorithm, and Bayesian network algorithm were utilized in the modeling. Findings: In total, 12 variables were determined as the most influential factors in this study. The accuracy of the model on the data was estimated at 72.73%, 69.1%, 70.9%, and 65.45% in the CHAID algorithm, C5, Bayesian network, and the neural network, respectively. Discussion Conclusions: According to the results, the performance accuracy of the model obtained from CHAID decision tree algorithm (73/72%) was higher than that of the other models. Moreover, an individual rsquo;s risk of asthma can be predicted with regard to the predictive factors and the established rules for a new sample with distinctive features.