این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله حکیم سیداسماعیل جرجانی، جلد ۳، شماره ۲، صفحات ۸۹-۱۰۷
عنوان فارسی تعیین الگوی توزیع واقعه مرگ با استفاده از تکنیک‌های داده‌کاوی در استان گلستان از سال ۱۳۸۶ تا ۱۳۸۸
چکیده فارسی مقاله زمینه و هدف:بررسی وضعیت مرگ­ومیر در یک جمعیت به عنوان یکی از روش­های مناسب تعیین سلامت مورد توجه بوده است، گرچه با مشکلاتی از قبیل عدم اطمینان به صحت و کیفیت داده­ها و روش جمع‌آوری آن روبرو بوده است. راه­اندازی نظام­های ثبت مرگ­ومیر با استفاده از کدهای بین­المللی طبقه‌بندی بیماری‌ها و ادغام اطلاعات مرگ­ومیر توسط سازمان­های مسئول تا حد زیادی مشکلات قبلی را مرتفع ساخته است. در این پژوهش با در نظر گرفتن مجموعه‌ای از پارامترها، ابتدا جامعه مورد بررسی به دو گروه داده‌های مربوط متوفیان زیریکسال و بالای یکسال تقسیم شدند سپس این دو گروه داده با استفاده از روش K-meansخوشه­بندی شدند تا گروه‌های مختلف شناسایی شوند. همچنین با استفاده از روش درخت تصمیم به کشف مدل‌ها و الگوهای موثر پرداخته شد. در آخر از الگوریتم شبکه‌های عصبی که یکی از کارکردهای آن نشان دادن ویژگی‌ها به ترتیب اهمیتشان است استفاده شد. روش بررسی:در این پژوهش به بررسی 12865 داده­ی مربوط به متوفیان استان گلستان پرداخته شده است. داده های مورد استفاده در این مقاله مربوط به اول فروردین 1388 تا پایان فروردین 1389 می باشند. این داده‌ها از مرکز بهداشت استان گلستان تهیه شدند.ویژگی‌های مورد استفاده در این داده‌ها سن متوفی، جنسیت متوفی،علت فوت،منطقه سکونت، محل فوتو وقوع فوت می‌باشند. برای خوشه­بندی در این پژوهش از الگوریتم K-means استفاده شد، دسته­بندی نیز به کمک الگوریتم­های درخت تصمیم و الگوریتم شبکه‌های عصبی انجام پذیرفت سپس نتایج و قوانین حاصل از الگوریتم ها استخراج شدند. در ضمن به جهت تفاوت ماهیت علل مرگ و میر در نوزادان و بزرگسالان از نظر پزشکان، لیست متوفیانی که دارای سن زیر یکسال هستند در فایلی جداگانه قرار می­گیرند و بررسی می شوند. یافته‌ها:در روش خوشه‌بندی، تعداد بهینه خوشه‌ها با استفاده از اندازه‌گیری شاخص Dunn، هشت خوشه برای داده‌های زیر یکسال و هفت خوشه برای داده‌های بالای یکسال به دست آمد. از میان چهار الگوریتم درخت تصمیم نظیر C5.0، QUEST، CHAID و CART، الگوریتم C5.0 با نرخ تشخیص 77.37 درصد برای زیر یکسال و 96.86 درصد برای بالای یکسال بهترین روش شناخته شد. با اجرای الگوریتم شبکه‌های عصبی ویژگی‌های سن متوفی، محل فوت و جنسیت از جمله ویژگی‌های با اهمیت در پیش‌بینی شناخته شدند. نتیجه‌گیری: این پژوهش با در نظر گرفتن عوامل تاثیرگذار در فوت افراد و مبنا قرار دادن استاندارد طبقه بندی بین‌المللی بیماری‌ها، به خوشه بندی داده‌ها پرداخت و به دنبال یافتن الگوی مرگ و میر برای افراد زیر یکسال و بالای یکسال است. با توجه به صریح بودن و قابلیت فهم بالای درخت تصمیم و قوانین استخراج شده توسط آن، می‌تواند برای متخصصین در این حوزه قابل استفاده قرار گیرد.
کلیدواژه‌های فارسی مقاله داده‌کاوی، خوشه‌بندی، دسته‌بندی، درخت تصمیم‌، مرگ‌ومیر
عنوان انگلیسی Determination of the Distribution Pattern of Mortality Using Data Mining Technique in Golestan Province since 2007 to 2009
چکیده انگلیسی مقاله Background and objectives: Investigatingg the mortality in a population has been considered as one of the appropriate methods of health detection. Although, there are some problems such as lack of confidence in accuracy measurement and quality of data collection. Establishment of death registration systems and using international classification codes of diseases, and also mortality data integrating by responsible organizations have solved great parts of the previous problems. In this study, considering a set of parameters, the study population was divided into two groups: deceased under one year (infants) and over one year (adults). Then both groups were clustered using the K-means method to identify different groups. Hidden models and useful patterns were also discovered using decision tree algorithms. Finally, a neural network algorithm was used to show the ranking of attributes in order of their importance. Methods: In this research, data of 12,865 deceased individuals in Golestan province since 2007 to 2009 is studied. The data has been obtained from the Health Center of Golestan province. The main characteristics used in this study are: deceased age, gender, cause of death, place of residence and place of death. K-means algorithm is used to cluster data. The decision tree algorithms and neural networks algorithm were also used for classification. Finally, results and rules were extracted. Due to different natures of causes of death in infants and adults, studying on these different groups is performed separately. Results: In clustering phase, the optimal number of clusters is obtained by Dunn index; eight clusters for infants and seven clusters for adults were obtained. Among four decision-tree algorithms (C5.0, QUEST, CHAID and CART), C5.0 algorithm with high correction rate, 77.37% in infants data and 96.86% in adults data was the best classifier algorithm. Age, gender and place of death were the most important variables that were detected by neural network algorithm. Conclusion: In the present study, the collected mortality data was clustered by considering the effective factors and the standard of International Classification of Diseases. The hidden patterns of mortality for infants and adults were extracted. Due to the explicit nature and the intelligibility of the decision tree algorithms, the results and extracted rules are very useful for specialists in this field.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله فاطمه باقری | fatemeh bagheri
m.sc. in computer engineering, computer engineering department, golestan university, gorgan, iran.
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه گلستان
سازمان اصلی تایید شده: دانشگاه گلستان (Golestan university)

فاطمه آهنگری |
دانشکده فنی و مهندسی، دانشگاه گلستان
سازمان اصلی تایید شده: دانشگاه گلستان (Golestan university)

ناصر بهنام پور |
گروه آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی گرگان
سازمان اصلی تایید شده: دانشگاه علوم پزشکی گلستان (Golestan university of medical sciences)

نشانی اینترنتی http://www.goums.ac.ir/jorjanijournal/browse.php?a_code=A-10-24-75&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده عمومی
نوع مقاله منتشر شده تحقیقی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات