این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران، جلد ۷۹، شماره ۱۰، صفحات ۸۲۲-۸۳۰
عنوان فارسی تشخیص خودکار بیماری کرونا (کوید-۱۹) با استفاده از تکنیک‌های داده‌کاوی: یک گزارش کوتاه
چکیده فارسی مقاله زمینه و هدف: تشخیص زود هنگام بیماری همه‌گیر کرونا (کوید-19) نقش مهمی در جلوگیری از مرگ‌ومیر دارد. مطالعه حاضر با هدف استخراج ویژگی‌های کلیدی بیماری و یافتن بهترین روش‌های داده‌کاوی که باعث بهبود صحت تشخیص بیماری کرونا می‌شود، صورت گرفته است.      روش بررسی: در این مطالعه، اطلاعات و علایم بالینی مربوط به بیماران مبتلا به کوید-19، از کلینیک‌های عفونی بیمارستان افضلی پور کرمان و علی‌بن‌ابیطالب رفسنجان از اسفند 1398 تا بهمن 1399 به‌مدت 12 ماه گردآوری شدند. مدل‌های پیش‌بینی با استفاده از ترکیب‌های مختلف از ویژگی‌های بیماری و هفت روش داده‌کاوی، ایجاد شده و مورد آزمایش قرار گرفتند. یافته‌ها: 9 ویژگی کلیدی و سه تکنیک برتر داده‏کاوی شناسایی شدند. نتایج آزمایش‏ها نشان می‌دهند که مدل پیش‌بینی ارایه شده با استفاده از ویژگی‌های کلیدی شناسایی شده و بهترین تکنیک داده‏کاوی به‌دست آمده، دقت 19/83% را برای تشخیص بیماری کرونا فراهم می‌کند. نتیجه‌گیری: با توجه ویژگی‌های کلیدی و تکنیک‌های داده‌کاوی به‌دست آمده از این مطالعه می‌توان با تکمیل مجموعه داده و استفاده از این روش، با دقت بالا ابتلا به کوید- 19 را در افراد با ویژگی‌های بالینی مختلف تشخیص داد.
کلیدواژه‌های فارسی مقاله داده‌کاوی، تشخیص، علایم بالینی، کروناویروس، بیماری کوید-19، همه‌گیر.
عنوان انگلیسی Automated detection of coronavirus disease (COVID-19) by using data-mining techniques: a brief report
چکیده انگلیسی مقاله Background: The clinical field has vast sick data that has not been analyzed. Discovering a way to analyze this raw data and turn it into an information treasure can save many lives. Using data mining methods is an efficient way to analyze this large amount of raw data. It can predict the future with accurate knowledge of the past, providing new insights into disease diagnosis and prevention. Several data mining methods exist but finding a suitable one is very important. Today, coronavirus disease (COVID-19) has become one of the causing deadly diseases in the world. The early diagnosis of pandemic coronavirus disease has a significant impact in preventing death. This study aims to extract the key indications of the disease and find the best data mining methods that enhance the accuracy of coronavirus disease diagnosis. Methods: In this study, to obtain high accuracy in diagnosing COVID-19 disease, a complete and effective workflow over data mining methods was proposed, which includes these steps: data pre-analyzing, indication selection, model creation, the measure of performance, and display of results. Data and related indications of patients with COVID-19 were collected from Kerman Afzalipour Hospital and Rafsanjan, Ali Ebn Abi Taleb Hospital. Prediction structures were made and tested via different combinations of the disease indications and seven data mining methods. To discover the best key indications, three criteria including accuracy, validation and F-value were applied and to discover the best data mining methods, accuracy and validation criteria were considered. For each data mining method, the criteria were measured independently and all results were reported for analysis. Finally, the best key indications and data mining methods that can diagnose COVID-19 disease with high accuracy were extracted. Results: 9 key indications and 3 data mining methods were obtained. Experimental results show that the discovered key indications and the best-operating data mining method (i.e. SVM) attain an accuracy of 83.19% for the diagnosis of coronavirus disease. Conclusion: Due to key indications and data mining methods obtained from this study, it is possible to use this method to diagnose coronavirus disease in different people of different clinical indications with high accuracy.  
کلیدواژه‌های انگلیسی مقاله data mining, diagnosis, clinical symptoms, coronavirus, COVID-19, pandemics.
نویسندگان مقاله سید علی ‌اکبر عرب‌زاده | Seyed Ali Akbar Arabzadeh
Department of Computer Engineering, Faculty of Engineering, Shahid Bahonar University of Kerman, Kerman, Iran.
گروه مهندسی کامپیوتر، دانشکده مهندسی،‌ دانشگاه شهید باهنر کرمان، کرمان، ایران.

وحید جمشیدی | Vahid Jamshidi
Department of Computer Engineering, Faculty of Engineering, Shahid Bahonar University of Kerman, Kerman, Iran.
گروه مهندسی کامپیوتر، دانشکده مهندسی،‌ دانشگاه شهید باهنر کرمان، کرمان، ایران.

مسعود سعید | Masoud Saeed
Department of Computer Engineering, Faculty of Engineering, Shahid Bahonar University of Kerman, Kerman, Iran.
گروه مهندسی کامپیوتر، دانشکده مهندسی،‌ دانشگاه شهید باهنر کرمان، کرمان، ایران.

رستم یزدانی | Rostam Yazdani
Department of Internal Medicine, Faculty of Medicine, Kerman University of Medical Sciences, Kerman, Iran.
گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران.

مهدیه جمشیدی | Mahdieh Jamshidi
Department of Internal Medicine, Faculty of Medicine, Rafsanjan University of Medical Sciences, Rafsanjan, Iran.
گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی رفسنجان، رفسنجان، ایران.

نشانی اینترنتی http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-478&slc_lang=other&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده other
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله اصیل
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات