سیده زهره حسینی - دانشجوی دکتری، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
رضا رادفر - استاد، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
امیر اشکان نصیری پور - دانشیار، دانشکده علوم و فناوری های پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
علی رجب زاده - استاد، دانشکده مدیریت صنعتی، دانشگاه تربیت مدرس، تهران، ایران

هدف: چالش های بهداشتی بدون شک مهم ترین موانع توسعه پایدار جهانی است و با مشکلات اجتماعی و اقتصادی مختلف و ناکافی بودن منابع رشد می کند. در مقابل سلامت جامعه به توسعه اقتصاد ملی و جهانی کمک کرده و بنابراین در شکل گیری ثبات و رفاه یک ملت یا منطقه، نقش زیادی دارد. امروزه با توجه به مهم بودن مسئله سلامت در حوزه بیماری های واگیر، وجود سیستمی به منظور پیش بینی و کنترل همه گیری ها لازم است؛ زیرا با پیشگیری از شیوع همه گیری، می تواند علاوه بر ارزش بالای انسانی در جوامع، سودآوری اقتصادی نیز برای نظام های سلامت داشته باشد. بنابراین، مطالعه حاضر با هدف توسعه الگوریتم هوش مصنوعی بر پایه ویژگی های بدست آمده از اینترنت اشیاء برای تشخیص سریع کووید۱۹ انجام شده است.روش: روش پژوهش حاضر از نظر پارادایم، تفسیری و از لحاظ استراتژی اکتشافی است. همچنین براساس نوع گردآوری داده ها از نوع پژوهش های کیفی بوده و با توجه به توسعه الگوریتم، روش تحقیق در این پژوهش مبتنی بر علم طراحی است. رویکرد تحقیق آینده نگر است، به طوری که مکانیزم انتقال بیماری و ویژگی های تاثیرگذار آن، ما را قادر به پیش بینی هایی در مورد بیماری و در نتیجه طرح استراتژی های کنترل بیماری و مراقبت های بهداشتی می نماید. این پژوهش در یک فرآیند ۷ مرحله ای انجام شد.ویژگی های اینترنت اشیاء در پژوهش حاضر با نظر خبرگان استخراج گردید و ویژگی های بدست آمده در آزمایش الگوریتم «درخت تصمیم» بر روی داده ها، برای تعیین بهترین مدل ایجاد شد.یافته ها: نتایج مرور سیستماتیک رشد سریع مستندات از سال ۲۰۱۵ را نشان داد که می تواند نشان دهنده کاربردی شدن حوزه های مختلف فناوری اطلاعات مانند اینترنت اشیاء و یادگیری ماشین در زمینه سلامت عمومی و پیش گیری از بیماری های واگیر باشد. در الگوریتم مقادیر K از ۱ تا ۲۰ همسایگی محاسبه شد و بهترین دقت در K برابر ۲ بدست آمد. بنابراین، برای پیش بینی بیماری کووید۱۹، دقت الگوریتم بالاتر از ۹۸ درصد است. پس از محاسبه دقت، تحلیل ماتریس ابهام نشان داد در K برابر ۲، حساسیت ۹۹ درصد و ویژگی ۹۲ درصد است.نتیجه گیری: مقایسه نتایج الگوریتم نشان می دهد که علاوه بر دقت، حساسیت و ویژگی بدست آمده، بالاتر از روش های سنتی تشخیص بیماری های واگیردار است. همچنین به دلیل نداشتن ویژگی های پیچیده غیرضروری که صرفا زمان پیاده سازی مدل را افزایش می دهند، الگوریتم در چند دقیقه ران شده و بنابراین سرعت تشخیص بسیار بالا است. حساسیت بالای ۹۹ درصد که نشان دهنده کم ترین موارد منفی کاذب است، در این پژوهش بدست آمد و بنابراین الگوریتم پیشنهادی برای شناسایی حداکثر افراد مبتلاء به کووید۱۹ بسیار مناسب و کاربردی است.

کووید۱۹, بیماری های واگیردار, الگوریتم درخت تصمیم, برای تشخیص بیماری, اینترنت اشیاء, یادگیری ماشین, هوش مصنوعی