آنالیز داده ‌های مربوط به بیماران هپاتیت با استفاده از الگوریتم جلبک مصنوعی باینری مبتنی بر k نزدیکترین همسایه

مقدمه: از مشکلات اصلی در علم پزشکی، تشخیص و پیش ‌بینی به موقع بیماری ‌ها می ‌باشد. استفاده از سیستم‌ های تصمیم یار به منظور کشف دانش نهفته در مجموعه اطلاعات بیماری و در سوابق مربوط به بیماران یکی از راهکارهایی است که در زمینه تشخیص و پیشگیری از بیماری بسیار موثر می ‌باشد. هدف اصلی از این مقاله، طراحی یک سیستم تصمیم یار پزشکی است که بتواند بیماری هپاتیت را تشخیص دهد.مواد و روش‌ ها: این مطالعه از نوع توصیفیتحلیلی می‌ باشد. مجموعه داده آن شامل 155 رکورد با 19 ویژگی موجود در پایگاه داده یادگیری ماشین uci می ‌باشد. در این مقاله، از الگوریتم جلبک مصنوعی باینری برای انتخاب ویژگی و از k نزدیک ترین همسایه برای کلاس ‌بندی هپاتیت به دو کلاس سالم و ناسالم استفاده شده است. از 80‌ درصد داده‌ ها جهت آموزش و از 20‌ درصد باقی ‌مانده جهت آزمون استفاده شده است. هم چنین جهت ارزیابی مدل از شاخص ‌های دقت، بازخوانی، fmeasure و صحت استفاده شده است.یافته ‌های پژوهش: بررسی اولیه نشان داد که درصد صحت مدل پیشنهادی برابر با 96.45 درصد می‌ باشد. بعد از انتخاب ویژگی با الگوریتم جلبک مصنوعی درصد صحت در بهترین حالت به 98.36 درصد رسید. در مدل پیشنهادی در حالت 300 بار تکرار، مقدار معیارهای دقت، بازخوانی، fmeasure، و نرخ خطا به ترتیب برابر با 96.23 درصد، 96.74 درصد، 96.48 درصد، 3.55 درصد می ‌باشند.بحث و نتیجه‌ گیری: هپاتیت یکی از شایع‌ ترین بیماری‌ ها در بین زنان و مردان می ‌باشد. تشخیص به موقع بیماری ضمن کاهش هزینه‌ ها، شانس درمان موفقیت ‌آمیز بیمار را افزایش می ‌دهد. در این مطالعه ضمن تشخیص بیماری به کمک روش ترکیبی، توانستیم با استفاده از انتخاب ویژگی به دقت بالایی در تشخیص بیماری دست یابیم.

Analysis of Hepatitis Patient Data using Binary Artificial Algae Algorithm based on K-Nearest Neighbor

Introduction: The timely diagnosis and prediction of diseases are among the main issues in medical sciences. The use of decisionmaking systems to discover the underlying knowledge in the disease information package and patient records is one of the most effective ways of diagnosing and preventing disease. This study aimed to design a medical decision system that can detect hepatitis. Materials Methods: This study was conducted based on a descriptiveanalytic design. Its dataset contains 155 records with 19 features in the University of CaliforniaIrvine machine learning database. This study utilized the Binary Artificial Algae Algorithm (BAAA) for Feature Selection (FS). Moreover, KNearest Neighbor (KNN) was used to classify hepatitis into two healthy and unhealthy classes. In total, 80% of the data was employed for training, and the remaining (20%) was used for testing. Furthermore, Precision, Recall, Fmeasure, and Accuracy were utilized to evaluate the model.Findings: According to the results, the accuracy of the proposed model was estimated at 96.45%. After selecting the features with the BAAA, the percentage of the accuracy reached 98.36% in the best situation. In the proposed model with 300 repetitions, the Precision, Recall, FMeasure, and error rate were 96.23%, 96.74%, 96.48%, and 3.55%, respectively. Discussion Conclusions: Hepatitis is one of the most common diseases among females and males. A timely diagnosis of this disease not only reduces the costs but also increases the chance of successful treatment. In this study, the disease was diagnosed using the hybrid method, and a high accuracy level was obtained in disease diagnosis by FS.