فهرست نشریات علمی دسترسی آزاد ایران

مقدمه: درک روابط پنهان میان بیماری‌ها و علائم یکی از چالش‌های اساسی در تشخیص افتراقی و تحلیل هم‌وقوعی علائم در حوزه پزشکی است. با توجه به پیچیدگی تعاملات بالینی، شناسایی الگوهای مشترک میان بیماری‌ها می‌تواند در بهبود فرایند تشخیص و تصمیم‌گیری بالینی نقش مهمی ایفا کند. هدف این پژوهش، ارائة رویکردی داده‌محور برای تحلیل گرافی به‌منظور کشف و مدل‌سازی روابط پنهان میان بیماری‌ها و علائم است.روش بررسی: در این پژوهش از مجموعه‌داده عمومی «مجموعه‌داده پیش‌بینی بیماری-علامت» در پلتفرم کگل شامل 4920 بیماری و مجموعه‌ای از علائم، استفاده شد که شامل ۴۱ بیماری و ۱۳۱ علامت منحصر‌به‌فرد بود. با بهره‌گیری از ترکیب خطی شاخص‌های فرکانس وقوع و ضریب کاپا، یک گراف دوبخشی وزن‌دار بیماری-علامت ایجاد گردید. سپس با استخراج گراف‌های تک‌بخشی بیماری-بیماری و علامت-علامت و به‌کارگیری الگوریتم‌های خوشه‌بندی لووین، ماژولاریتی حریصانه و گیروان-نیومن، ساختار شبکه تحلیل شد.یافته‌ها: نتایج نشان داد که علامت خستگی و بیماری تب دنگی نقش کلیدی در شبکه بیماری-علائم داشتند. خوشه‌بندی بیماری‌ها با الگوریتم‌های لووین و ماژولاریتی حریصانه توانست خوشه‌های معنادار بیماری‌های مرتبط را ایجاد کند. خوشه‌بندی علائم با الگوریتم لووین، شش خوشه قابل‌تفسیر بالینی را آشکار کرد که برای شناسایی سریع بیماری‌ها مفید است. همچنین، علائم نامرتبط می‌توانند به یک بیماری شایع مرتبط باشند. خوشه‌های خاص علائم نیز راهنمای تشخیص بیماری‌های مشخص‌تر هستند.نتیجه‌گیری: یافته‌ها نشان می‌دهد که تحلیل گرافی می‌تواند ابزاری مؤثر برای کشف روابط پنهان میان بیماری‌ها و علائم باشد و در بهبود تشخیص افتراقی و طراحی سامانه‌های هوشمند پشتیبان تصمیم‌گیری نقش به‌سزایی ایفا کند.