توسعه الگوریتم درخت تصمیم برای تشخیص سریع بیماری کووید 19 برپایه اینترنت اشیاء

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2 استاد، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

3 دانشیار، دانشکده علوم و فناوری‌های پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

4 استاد، دانشکده مدیریت صنعتی، دانشگاه تربیت مدرس، تهران، ایران

چکیده

هدف: چالش‌های بهداشتی بدون شک مهم‌ترین موانع توسعه پایدار جهانی است و با مشکلات اجتماعی و اقتصادی مختلف و ناکافی بودن منابع رشد می‌کند. در مقابل سلامت جامعه به توسعه اقتصاد ملی و جهانی کمک کرده و بنابراین در شکل‌گیری ثبات و رفاه یک ملت یا منطقه، نقش زیادی دارد. امروزه با توجه به مهم بودن مسئله سلامت در حوزه بیماری‌های واگیر، وجود سیستمی به‌ منظور پیش‌بینی و کنترل همه‌گیری‌ها لازم است؛ زیرا با پیشگیری از شیوع همه‌گیری، می‌تواند علاوه بر ارزش بالای انسانی در جوامع، سودآوری اقتصادی نیز برای نظام‌های سلامت داشته باشد. بنابراین، مطالعه حاضر با هدف توسعه الگوریتم‌ هوش مصنوعی بر پایه ویژگی‌های بدست آمده از اینترنت اشیاء برای تشخیص سریع کووید19 انجام شده است.
روش: روش پژوهش حاضر از نظر پارادایم، تفسیری و از لحاظ استراتژی اکتشافی است. همچنین براساس نوع گردآوری داده‌ها از نوع پژوهش‌های کیفی بوده و با توجه به توسعه الگوریتم، روش تحقیق در این پژوهش مبتنی بر علم طراحی است. رویکرد تحقیق آینده‌نگر است، به طوری که مکانیزم انتقال بیماری و ویژگی‌های تاثیرگذار آن، ما را قادر به پیش‌بینی‌هایی در مورد بیماری و در نتیجه طرح استراتژی‌های کنترل بیماری و مراقبت‌های بهداشتی می‌نماید. این پژوهش در یک فرآیند 7 مرحله‌ای انجام شد.
ویژگی‌های اینترنت اشیاء در پژوهش حاضر با نظر خبرگان استخراج گردید و ویژگی‌های بدست آمده در آزمایش الگوریتم «درخت تصمیم» بر روی داده‌ها، برای تعیین بهترین مدل ایجاد شد.
یافته‌ها: نتایج مرور سیستماتیک رشد سریع مستندات از سال 2015 را نشان داد که می‌تواند نشان‌دهنده کاربردی شدن حوزه‌های مختلف فناوری اطلاعات مانند اینترنت اشیاء و یادگیری ماشین در زمینه سلامت عمومی و پیش‌گیری از بیماری‌های واگیر باشد. در الگوریتم مقادیر K از 1 تا 20 همسایگی محاسبه شد و بهترین دقت در K برابر 2 بدست آمد. بنابراین، برای پیش‌بینی بیماری کووید19، دقت الگوریتم بالاتر از 98 درصد است. پس از محاسبه دقت، تحلیل ماتریس ابهام نشان داد در K برابر 2، حساسیت 99 درصد و ویژگی 92 درصد است.
نتیجه‌گیری: مقایسه نتایج الگوریتم نشان می‌دهد که علاوه بر دقت، ‌حساسیت و ویژگی بدست آمده، بالاتر از روش‌های سنّتی تشخیص بیماری‌های واگیردار است. همچنین به دلیل نداشتن ویژگی‌های پیچیده غیرضروری که صرفاً زمان پیاده‌سازی مدل را افزایش می‌دهند، الگوریتم در چند دقیقه ران شده و بنابراین سرعت تشخیص بسیار بالا است. حساسیت بالای 99 درصد که نشان‌دهنده کم‌ترین موارد منفی کاذب است، در این پژوهش بدست آمد و بنابراین الگوریتم پیشنهادی برای شناسایی حداکثر افراد مبتلاء به کووید19 بسیار مناسب و کاربردی است.
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

 Artificial Intelligence, COVID-19, Infectious Diseases, Internet of Things, Machine Learning

نویسندگان [English]

  • Seyedeh Zohreh Hosseini 1
  • Reza Radfar 2
  • Amir Ashkan Nasiripour 3
  • Ali Rajabzade 4
1 Ph.D. Student in IT Management, Management and Economics Department, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Professor, Management and Economics Department, Science and Research Branch, Islamic Azad University, Tehran, Iran
3 Associate Professor, Medical Sciences and Technologies Department, Science and Research Branch, Islamic Azad University, Tehran, Iran
4 Professor, Industrial Management Department, Tarbiat Modares University, Tehran, Iran.
چکیده [English]

Objectives: The development of information technology and its use in the health system have undertaken numerous measures for the protection and promotion of human health. However, long-term threats and the recurrence of infectious diseases are still the challenges in the world. Management of infectious diseases is of paramount importance in the global health system and is very complicated. Therefore, the aim of this research is designing a model to predict the covid-19 using artificial intelligence, which will ultimately be useful for rapid detection and control of Covid-19.
Methods: To design a proposed model to analyze the spread of infectious diseases, an intelligent system is presented by combining mathematical dimensions, machine learning, and epidemiology. In this research, the target disease is COVID-19 due to its importance and epidemic. Despite extensive research on this disease, each study focused on a specific area due to its extensive dimension, and no detailed study is available on the main aspects of the disease. The research method is interpretive and exploratory in terms of paradigm and strategy, respectively, and is classified as descriptive-prescriptive in terms of implementation. The research was carried out in a seven-step process.
Results: The results of the systematic review showed the rapid growth of documents since 2015, which can indicate the application of various fields of information technology such as the Internet of Things and machine learning in the field of public health and prevention of infectious diseases.
In the algorithm, K values from 1 to 20 neighborhoods were calculated and the best accuracy was obtained at K equal to 2. Therefore, the accuracy of the algorithm is higher than 98% to predict the disease of Covid-19. After calculating the accuracy, the analysis of the confusion matrix showed that in K equal to 2, the sensitivity is 99% and the specificity is 92%.
Conclusions: A comparison of algorithm results shows that in addition to accuracy, sensitivity and specificity obtained for algorithm are higher than traditional methods of diagnosing infectious diseases. Also, due to not having unnecessary complex features that only increase the model implementation time, the algorithm runs in a few minutes, and therefore the detection speed is completely acceptable. High sensitivity (99%) was obtained in the DT algorithm, which is very important for the diagnosis of COVID-19 and indicates the minimum number of false negatives in the test results. Therefore, the proposed algorithm is practical for the purpose of identifying the maximum number of people infected with Covid-19.

کلیدواژه‌ها [English]

  • Artificial Intelligence
  • COVID-19
  • Infectious Diseases
  • Internet of Things
  • Machine Learning
احمدی، ف. ا.، نصیریانی، خ.، اباذری، پ. (1387). تکنیک دلفی: ابزاری در تحقیق. آموزش در علوم پزشکی، 7(1): 175-186.
اولیاء، پ.، بحرینی، ف.، افتخاری، م.ب.، قانع، م.، فروزان، آ. (1390). تعیین اولویت‌های تحقیقاتی سلامت در ایران. مجله دانشکده بهداشت و انستیتو تحقیقات بهداشتی، 9(2): 9-20.
بخشی، ا.، اصلانی، م.، عابدی، پ. (1400). مروری بر چالش‌های نمونه‌گیری و تشخیص آزمایشگاهی بیماری کووید19. مطالعات علوم پزشکی، 32(3): 157-178.
حسن‌نژاد دیوکلائی، س. (1396). بررسی سیستم‌های دینامیکی بعضی مدل‌های ریاضی در بیماری‌های واگیردار و تجزیه و تحلیل آنها. در: اولین کنگره بین‌المللی بهبود مدیریت و نظام آموزشی ایران: 1-27.
رجب‌زاده قطری، ع.، حجتی نیک‌قدم، س.، فریدماسوله، م. (1393). درآمدی بر پژوهش علم طراحی و فراتحلیل. تهران: انتشارات نگاه دانش.
عبادی، ع. (1400). کم‌تر از یک پرستار به ازای هر تخت بیمارستانی. تهران: خبرگزاری تسنیم.
عجمی، س.، کتابی، س.، سقائیان‌نژاد اصفهانی، س.، حیدری، آ. (1390). الزامات و حوزه‌های مرتبط با ارزیابی آمادگی سازمان‌ها برای پیاده‌سازی پرونده الکترونیک سلامت. مدیریت سلامت، 14(46): 71-81.
عزیزی، ب.، سیفی، ع. (1399). بررسی شرایط مهار بیماری کرونا براساس مدل پویایی‌شناسی همه‌گیری آن در ایران. مجله علوم پزشکی رازی، 27(8): 115-128.
فرازمند، ع.، احمدی، س. (1396). اینترنت اشیاء و کاربردهای آن. تهران: اولین همایش ملی کامپیوتر، فناوری اطلاعات و ارتباطات.
گل‌پیرا، ر.، قطبی، م.، بهتاج، ف.، پروان، م.، لطفی گلمیشه، ف.، واحدی، ا. (1399). شناسنامه شاخص‌های آمار و اطلاعات بیمارستانی. تهران: معاونت درمان وزارت بهداشت، درمان و آموزش پزشکی.
نعمت‌شاهی، م.، ابراهیمی‌پور، ح.، کیوانلو، ز.، خواجه دلویی، م.، کیخسروی، ع. (1399). بررسی بودجه بخش بهداشت و درمان طی برنامه‌های اول تا پنجم توسعه اجتماعی اقتصادی کشور. راهبردهای مدیریت در نظام سلامت،5(2): 85-87.
CAPTCHA Image