طراحي و ارزيابي سيستم مبتني بر موبايل به منظور تشخيص بيماري هاي غده ي تيروئيد و پاراتيروئيد بر اساس علايم باليني بيمار

زمينه: روشهاي يادگيري ماشين، يكي از شاخههاي مهم هوش مصنوعي است كه به منظور مدل كردن قابليت حل مسئله در حوزهي تشخيص پزشكي كاربرد قابل توجهي داشته است. بيماريهاي غده تيروئيد و پاراتيروئيد با شيوعي قابل توجه نيازمند سيستمي در جهت تشخيص اختلالات اين غدد مي باشد. تشخيص پزشك براساس علائم باليني و علائم آزمايشگاهي مي باشد و از آن جهت كه انجام آزمايشها گاه هزينهبر و زمانبر ميباشند، لذا در اين پژوهش مدلي ارايه گرديده است كه بر اساس آن تشخيص به كمك علائم باليني صورت پذيرد درحالي كه درپژوهش هاي مشابه پيشين، تمامي تشخيص ها بر اساس تركيب داده هاي آزمايشگاهي و داده هاي باليني انجام شده است. اهداف: با توجه به كاربردهاي سيستم خبره در حوزههاي گوناگون، با ارائه يك سيستم خبره پزشكي، ازطريق جمعآوري دانش فرد خبره و استفاده از ضريب قطعيت با انجام رده بندي بر روي علائم باليني سعي در توليد مدل درخت تصميم جهت تشخيص بيماري هاي دو غده ي مدنظر شده است. در نهايت اين سيستم در قالب اپليكيشن موبايل قابل استفاده براي كليه پزشكان و متخصصين داخلي و همچنين افراد عادي ارايه شده است. روش تحقيق: 300ركورد تحليل شده در اين پژوهش از بانك اطلاعاتي بيمارستان كوثر شيراز استخراج شد كه متشكل از اطلاعات 50فرد مبتلا به بيماري كمكاري پاراتيروئيد، 50فرد مبتلا به پركاري پاراتيروئيد، 50فرد مبتلا به كم كاري تيروئيد، 50فرد مبتلا به پركاري تيروئيد و تعداد 100ركورد متعلق به افراد سالم مي باشد . پس از انجام عمليات پيشپردازشي برروي داده ها، ديتاست وارد نرمافزار دادهكاوي گرديد و الگوريتمهاي مبتي بر قانون مانند انواع درختهاي تصميم را بر روي آن اجرا و درخت تصميمي كه در ارزيابي دقت بالاتري داشته است، كانديد استخراج قوانين برگزيده گرديد وپس ازاستخراج قوانين، با كمك فرد خبره، ضريب قطعيت اعمال و اقدام به پيادهسازي مدل توليد شده به همراه ضرايب قطعيت جمع آوري شده گرديد و در پايان اپليكيشن ايجاد شده مورد ارزيابي قرار گرفت . دراين پژوهش جهت پيش پردازش دادهها، كاهش ابعاد ويژگيها و ترسيم درخت تصميم از نرمافزار داده كاوي RapidMiner ، و از نرم افزار Google Android Studio جهت پيادهسازي درخت تصميم استفاده شده است. همچنين در ارزيابي مدل پيشنهادي از معيارهاي Recall و Precision بهره گرفته شده است. يافته ها: به منظور ارزيابي دقت اپليكيشن توليده شده از تعداد 50ركورد كه شامل برچسب با بيماري هاي مذكور و نيز تعدادي ركورد از افراد سالم مي بود تست گرديد كه طي اين ارزيابي به Recall % با اندازه 100 و Precision با اندازه 88 % دست يافتيم. نتيجه گيري: روش درخت تصميم گيري مي تواند ابزار قابل اعتماد و دقيقي براي تشخيص بيماري هاي تيروئيد و پاراتيروئيد باشد. بكارگيري اين روش يادگيري ماشين در طراحي سيستم هاي تصميم يار در اين حوزه قابل توجه است.