ارائه مدل جدید برای تشخیص سریع بیماری‌های حاد تنفسی با استفاده از الگوریتم‌های یادگیری ماشین
محورهای موضوعی : مجله فناوری اطلاعات در طراحی مهندسی
مهران نظامی
1
,
عوض نقی‌پور
2
,
بهنام صفیری ایرانق
3
1 - گروه مهندسی کامپیوتر، مؤسسه آموزش عالی نبی‌اکرم(ص)، تبریز، ایران
2 - گروه مهندسی کامپیوتر، مؤسسه آموزش عالی نبی اکرم (ص)، تبریز، ایران
3 - گروه مهندسی کامپیوتر، مؤسسه آموزش عالی نبی اکرم (ص)، تبریز، ایران
کلید واژه: الگوریتم‌های یادگیری ماشین, بیماری‌های همه‌گیر, پیش‌بینی,
چکیده مقاله :
کرونا ویروس، ویروس سارس و آنفلوانزای خوکی یک بیماری ناشی از سندروم حاد تنفسی است. این ویروس‌ها به سبب سرایت فوری در بین انسان‌ها نیاز به ابزارهای پیشرفته برای شناسایی عوامل خطرناک مرگ‌ومیر با دقت بالا نیاز دارند. روش‌های یادگیری ماشین مستقیماً به این موضوع می‌پردازند و ابزارهای ضروری برای شناخت و هدایت مداخلات بهداشت عمومی هستند. در این مقاله از یادگیری ماشین برای بررسی اهمیت جمعیت‌شناختی و بالینی استفاده شده است. ویژگی‌های مورد بررسی شامل سن، جنسیت، تب، کشورها و جزئیات بالینی مانند سرفه، تنگی‌نفس و ... می‌باشند. چندین الگوریتم یادگیری ماشین روی داده‌های جمع‌آوری‌شده، پیاده‌سازی و اعمال گردیده که الگوریتم K - نزدیک‌ترین همسایه با بالاترین دقت (بیش از 97%) برای پیش‌بینی و انتخاب ویژگی‌هایی که به‌درستی وضعیت ویروس‌ها را نشان می‌دهد، عمل می‌کند.
Corona virus, Severe Acute Respiratory virus and swine flu is a disease caused by acute respiratory syndrome. These viruses require advanced tools to identify dangerous mortality factors with high accuracy due to their immediate spread among humans. Machine learning methods directly address this issue and are essential tools for understanding and guiding public health interventions. In this article, machine learning is used to investigate demographic and clinical significance. The investigated characteristics include age, gender, fever, countries and clinical details such as cough, shortness of breath, etc. Several machine learning algorithms have been implemented and applied on the collected data, the K-Nearest Neighbor algorithm works with the highest accuracy (more than 97%) to predict and select features that correctly represent the status of viruses.