الگوریتمهای یادگیری ماشین برای پیشگیری از انتشار بیماریهای واگیر بر پایه ویژگیهای موثر در تشخیص کووید-19
نویسندگان
1 دانشگاه آزاد اسلامی؛ واحد علوم و تحقیقات؛ تهران، ایران
2 دانشگاه تربیت مدرس؛ تهران، ایران
3 دانشگاه آزاد اسلامی؛ واحد علوم و تحقیقات؛ تهران، ایران
4 دانشگاه آزاد اسلامی؛ واحد علوم و تحقیقات؛ تهران، ایران
doi
10.22034/jipm.2023.705602چکیده
این مطالعه باهدف توسعه الگوریتمهای هوش مصنوعی بر پایه اینترنت اشیاء انجام شده است که ضمن تشخیص و پیشبینی همهگیری در زمان واقعی با استفاده از مکان افراد، بر مراقبت و بهبود نیز تأکید میکند.بیماری هدف در این پژوهش باتوجهبه اهمیت و فراگیری، کووید19 است.بر اساس نوع گردآوری دادهها از نوع پژوهشهای کیفی بوده و باتوجهبه توسعه الگوریتمها، روش تحقیق در این پژوهش مبتنی بر علم طراحی است. رویکرد تحقیق آیندهنگر است، بهطوریکه مکانیزم انتقال بیماری و ویژگیهای تأثیرگذار آن ما را قادر بهپیش بینیهایی در مورد بیماری و در نتیجه طرح استراتژیهای کنترل بیماری و مراقبتهای بهداشتی مینماید.پژوهش در یک فرایند 7 مرحلهای انجام شد. ویژگیهای اینترنت اشیاء در پژوهش حاضر با نظر خبرگان استخراج شد و ویژگیهای بهدستآمده در آزمایش 2 الگوریتم مختلف «k نزدیکترین همسایگی» و «درخت تصمیم» بر روی دادهها برای تعیین بهترین مدل ایجاد شد.پس از انتخاب بهترین عمق و بهترین همسایگی در الگوریتمها، اعتبار و تصدیق مدل با تحلیل ماتریس ابهام انجام شد.نتایج اجرای الگوریتمها برای پیشبینی بیماری کووید19، دقت بالاتر از 98 درصد را نشان دادند. حساسیت بالاتر (99 درصد) که برای تشخیص بیماری کووید19 اهمیت بالایی دارد و نشاندهنده حداقل موارد منفی کاذب در نتایج آزمون است، در الگوریتم درخت تصمیم به دست آمد.