فهرست نشریات علمی دسترسی آزاد ایران

شیوع یک بیماری با قابلیت انتشار بالا باعث­می­شود تا عوامل پیشگیرانه کم ­تأثیر بوده و اپیدمی زودهنگام رخ ­دهد. استفاده از هوش مصنوعی در حوزه سلامت و بهره ­مندی از تکنیک‌های توصیه­ گر از تأثیرگذاری بالایی در ارتقای سیستم سلامت هوشمند برخوردارند که منتج به تسریع در کنترل نسخه­ های جهش ­یافته بیماری‌های ویروسی نظیر کووید-19 و کاهش هزینه‌های درمانی می­شود.­­­­­­ بنابراین، استفاده از تکنیک­های داده­ کاوی در زیست ­بوم اینترنت اشیا می­تواند یک سیستم توصیه­ گر قابل­ اعتماد در حوزه سلامت جوامع هوشمند به منظور شناسایی افراد مبتلا به بیماری­های ویروسی نظیر کووید-19 تلقی ­گردد.­ ­اگرچه بیماری کووید-19 در حال حاضر باعث مرگ انسان­ها نمی­شود، اما هنوز دوره درمان طولانی ­تری دارد و همچنین در افراد سالخورده و یا افراد با بیماری­های زمینه­ای همچنان فاجعه­ آفرین است. در این مقاله یک مدل توصیه­ گر مبتنی­بر تئوری بیزی برای شناسایی کووید-19 در زیست­ بوم اینترنت اشیا پیشنهاد می­ گردد. برای این منظور ابتدا به عوامل تأثیرگذار در بیماری همه‌گیر کرونا­ پرداخته ­می­شود و از مجموعه داده حاصل از 50000 بیمار برای شناسایی ابتلا به بیماری کووید-19 در افراد مختلف استفاده ­می­شود. تکنیک­های داده­ کاوی استفاده ­شده در این مقاله شامل مدل تئوری بیزی، مدل ترکیبی پیشنهادی بیزی‌بوستینگ، مدل نزدیک‌ ترین همسایه‌ و مدل رگرسیون لجستیک به عنوان روش‌های­ یادگیری ماشین است. نتایج حاصل از مقایسه این چهار روش نشان می­دهد مدل باور بیزی به میزان %87 و مدل تقویت­ شده آن با %98، بیشترین میزان دقت را به خود اختصاص ­داده‌اند.