دانشگاه و پژوهشگاه عالی دفاع ملی و تحقیقات راهبردی
وزارت علوم، تحقیقات و فناوری
سامانه رتبه بندی نشریات علمی
سامانه همایش ها
سامانه جامع رسانه‌های کشور
پایگاه استنادی علوم جهان اسلام
مرکز ملی شاپا

 آمار

تعداد نشریات21
تعداد شماره‌ها455
تعداد مقالات3,489
تعداد مشاهده مقاله3,630,091
تعداد دریافت فایل اصل مقاله2,809,997
تقندیکی, کاظم. (1405). تشخیص زودهنگام کم‌خونی با استفاده از الگوریتم‌های یادگیری ماشین: راهکارهایی برای بهبود سلامت جامعه. سامانه مدیریت نشریات علمی, (), -.
کاظم تقندیکی. "تشخیص زودهنگام کم‌خونی با استفاده از الگوریتم‌های یادگیری ماشین: راهکارهایی برای بهبود سلامت جامعه". سامانه مدیریت نشریات علمی, , , 1405, -.
تقندیکی, کاظم. (1405). 'تشخیص زودهنگام کم‌خونی با استفاده از الگوریتم‌های یادگیری ماشین: راهکارهایی برای بهبود سلامت جامعه', سامانه مدیریت نشریات علمی, (), pp. -.
تقندیکی, کاظم. تشخیص زودهنگام کم‌خونی با استفاده از الگوریتم‌های یادگیری ماشین: راهکارهایی برای بهبود سلامت جامعه. سامانه مدیریت نشریات علمی, 1405; (): -.

تشخیص زودهنگام کم‌خونی با استفاده از الگوریتم‌های یادگیری ماشین: راهکارهایی برای بهبود سلامت جامعه

فصلنامه آماد و فناوری دفاعی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 08 مهر 1405
نوع مقاله: مقاله پژوهشی
نویسنده
کاظم تقندیکی*
مربی گروه مهندسی کامپیوتر، دانشکده برق و کامپیوتر،دانشگاه ملی مهارت، تهران، ایران
چکیده
کم‌خونی، به‌عنوان یک بیماری شایع که به کاهش سطح هموگلوبین خون منجر می‌شود، تأثیرات گسترده‌ای بر سلامت عمومی و کیفیت زندگی دارد. این پژوهش با هدف مقایسه کارایی الگوریتم‌های یادگیری ماشین در تشخیص زودهنگام کم‌خونی و ارائه راهکارهایی برای بهبود سلامت جامعه انجام شده است. داده‌های مورد استفاده، مجموعه‌ای از اطلاعات 104 بیمار است که توسط بیسوا رانجان رائو، دانشجوی دانشکده مهندسی دیاناندا ساگار هند، تهیه و به‌صورت رایگان در وب‌سایت کگل در اختیار پژوهشگران قرار گرفته است. این مجموعه داده شامل ویژگی‌های مختلفی مانند سطح هموگلوبین، تعداد گلبول‌های قرمز و مقادیر پیکسل‌های رنگی تصویر است که هر کدام به‌عنوان ورودی در مدل‌های یادگیری ماشین به کار رفته‌اند. مدل‌های به‌کار گرفته شده شامل رگرسیون لجستیک، K نزدیک‌ترین همسایه، ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی، بیز ساده، تقویت گرادیانی، تقویت تطبیقی، تحلیل تفکیک خطی و تحلیل تفکیک درجه دوم بوده‌اند. نتایج نشان دادند که مدل‌هایی مانند جنگل تصادفی و تقویت تطبیقی به دقت 100% در پیش‌بینی کم‌خونی دست یافتند، در حالی که مدل‌هایی مانند ماشین بردار پشتیبان و K نزدیک‌ترین همسایه عملکرد ضعیف‌تری داشتند. این پژوهش می‌تواند به بهبود دقت ابزارهای تشخیصی و کاهش هزینه‌های درمانی کمک کرده و مبنایی برای سیاست‌گذاری‌های بهداشتی مؤثر و ارتقای سلامت جامعه فراهم آورد.
کلیدواژه‌ها
کم‌خونی؛ هموگلوبین؛ یادگیری ماشین؛ رگرسیون لجستیک؛ سلامت جامعه
آمار
تعداد مشاهده مقاله: 1