@ARTICLE{Kazemi-Arpanahi, author = {Nopour, Raoof and Shanbehzadeh, Mostafa and Kazemi-Arpanahi, Hadi and }, title = {Proposing an effective technological solution for the early diagnosis of COVID-19: a data-driven machine learning study}, volume = {7}, number = {1}, abstract ={هدف: تشخیص صحیح، دقیق و به ‌موقع بیماری کووید-19 با استفاده از فناوری‌های هوش مصنوعی و یادگیری ماشین نقش مهمی در بهبود شاخص‌های بیماری، استفاده بهینه از منابع محدود بیمارستانی و کاهش بار کاری کارکنان خط مقدم پاندمی خواهد داشت. بنابراین هدف پژوهش حاضر ارزیابی کارایی الگوریتم‌های منتخب داده‌کاوی در تشخیص بیماری کویید-19 خواهد بود. روش‌ها: پژوهش حاضر یک مطالعه گذشته‌نگر و توصیفی کاربردی است. در این مطالعه از داده‌های بیماران بستری شده با تشخیص قطعی کوویید-19 در بازه زمانی 27 اسفند 1398 لغایت 20 آذر 1399 که در پایگاه داده پرونده الکترونیک سلامت بیماری کووید-19 بیمارستان آیت‌الله طالقانی شهرستان آبادان ثبت شده است، استفاده گردید. پس از اعمال معیارهای ورود و خروج برای شناسایی نمونه‌ها در نهایت 400 رکورد به عنوان ورودی و تغذیه وارد نرم‌افزار داده کاوی وکا ورژن 3.9 شد. داده‌ها با استفاده از ملاک کای دو برای تعیین متغیرها به منظور آموزش الگوریتم‌ها، عملکرد آن‌ها براساس معیارهای مختلف ارزیابانه در ماتریس آشفتگی مورد مقایسه قرار گرفتند. نتایج: براساس مقایسه عملکرد الگوریتم‌های داده‌کاوی با توجه به معیارهای ارزیابانه در ماتریس آشفتگی، الگوریتم J-48 با میزان حساسیت، دقت، و ضریب همبستگی ماتیوس به ترتیب 0/85، 0/85، 0/68 عملکرد بهتری نسبت به سایر الگوریتم‌های داده‌کاوی برای تشخیص بیماری کووید-19 داشت. 3 متغیر وجود ضایعات ریوی، تب و سابقه تماس با افراد مظنون به کرونا با در نظر گرفتن شاخص جینی ایندکس برای تعیین نقطه تقسیم، به ترتیب با میزان جینی ایندکس 0/217، 0/205 و 0/188 به عنوان مهم ترین فاکتورهای موثر در تشخیص کرونا در نظر گرفته شدند. نتیجه‌گیری: استفاده از روش‌های داده کاوی منتخب و به طور خاص الگوریتم J-48 قابلیت بالایی در تشخیص به موقع و اثربخش بیماری کووید-19 در قالب سیستم‌های پشتیبان تصمیم یار بالینی خواهد داشت. }, URL = {http://jmis.hums.ac.ir/article-1-284-fa.html}, eprint = {http://jmis.hums.ac.ir/article-1-284-fa.pdf}, journal = {Journal of Modern Medical Information Sciences}, doi = {10.52547/jmis.7.1.68}, year = {2021} }