شخيص بيماري سل ريوي با استفاده از هوش مصنوعي(الگوريتم بيز ساده)

Diagnosis of Pulmonary Tuberculosis Using Artificial Intelligence (Naive Bayes Algorithm)

زمينه و هدف: موفقيت مورد انتظار در كاهش و كنترل بيماري سل به­‌رغم اجراي برنامه­ هاي پيشگيرانه و درماني مؤثر فراهم نشده كه يكي از دلايل آن، تاخير در تشخيص قطعي مي­­‌باشد. بنابراين ايجاد يك سيستم كمك تشخيص براي غربالگري بيماري سل مي­‌تواند به تشخيص زودهنگام اين بيماري كمك كند. هدف از اين تحقيق، ارزيابي الگوريتم بيز ساده به­عنوان ابزاري براي تشخيص سل ريوي است. روش بررسي: در اين مطالعه­‌ي كاربردي، جامعه پژوهش بيماران داراي علايم سل و نمونه پژوهش، داده‌­هاي ثبت شده‌­ي 582 فرد با علايم اوليه سل در بيمارستان مسيح دانشوري تهران است. اطلاعات نمونه­‌ها با تشخيص تاييدشده در دو كلاس مبتلا به سل ريوي و نرمال بررسي گرديد. از الگوريتم بيز ساده (Naive Bayes) براي غربالگري بيماري سل ريوي با استفاده از علايم عمومي و اوليه بيماران از زبان برنامه­نويسي پايتونPython) ) استفاده شده است. يافته ­ها: دقت (Accuracy)، حساسيت (sensitivity) و ويژگيspecificity) ) حاصل از پياده­‌سازي الگوريتم بيز ساده جهت تشخيص بيماري سل ريوي به­ترتيب 95/89%، 93/59% و 98/53% به­دست آمد و سطح زير منحني مشخصه عملكرد (AUC) برابر با 98/91% محاسبه شد. نتيجه‌­گيري: عملكرد مدل بيز ساده براي تشخيص بيماري سل ريوي دقت قابل قبولي دارد. اين سيستم مي­تواند براي كمك به بيمار و مديريت بيماري در نقاط دور افتاده با دسترسي محدود به منابع آزمايشگاهي و كمبود متخصص، استفاده و موجب تسريع در تشخيص شود. همچنين مي­تواند موجب اقداماتي به­موقع و مناسب جهت كنترل سرايت سل ريوي به ساير افراد و تسريع بهبود اين بيماري باشد.

Background and Aim: Despite the implementation of effective preventive and therapeutic programs, no significant success has been achieved in the reduction of tuberculosis. One of the reasons is the delay in diagnosis. Therefore, the creation of a diagnostic aid system can help to diagnose early Tuberculosis. The purpose of this research was to evaluate the role of the Naive Bayes algorithm as a tool for the diagnosis of pulmonary Tuberculosis. Materials and Methods: In this practical study, the study population included Patients with TB symptoms, the study sample is recorded data of 582 individuals with primary Tuberculosis symptoms in Tehran's Masih Daneshvari Hospital. The data of samples were investigated in two classes of pulmonary Tuberculosis and non-Tuberculosis. A Naive Bayes algorithm for screening pulmonary Tuberculosis using primary symptoms of patients has been used in Python software version 3.7. Results: Accuracy, sensitivity and specificity after the implementation of the Naive Bayes algorithm for diagnosis of pulmonary Tuberculosis were %95.89, %93.59 and %98.53, respectively, and the Area under curve was calculated %98.91. Conclusion: The performance of a Naive Bayes model for diagnosis of pulmonary Tuberculosis is accurate. This system can be used to help the patient and manage illness in remote areas with limited access to laboratory resources and healthcare professional and cause to diagnose early Tuberculosis. It can also lead to timely and appropriate proceedings to control the transmission of TB to other people and to accelerate the recovery of the disease.