داود سعادتی - کارشناسی ارشد مهندسی برق الکترونیک دیجیتال، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران
ستار میرزاکوچکی - استاد، گروه الکترونیک، دانشگاه علم و صنعت ایران، تهران، ایران

حوزه پزشکی از بخش های مهم یک جامعه است. استخراج اطلاعات مفید از میان حجم انبوه داده های مرتبط با سوابق بیماری و پرونده های پزشکی افراد با استفاده از فرایند داده کاوی میتواند منجر به شناسایی قوانین حاکم بر ایجاد، رشد و تسریع بیماری ها شده و اطلاعات ارزشمندی را به منظور شناسایی علل رخداد بیماری ها، تشخیص، پیش بینی و درمان بیماری ها با توجه به عوامل محیطی حاکم در اختیار متخصصان حوزه سلامت قرار دهد. یکی از بیماری های عصبی مهم بیماری مالتیپل اسکلروزیس(ام اس) است. یک بیماری ناتوان کننده است که مغز و نخاع را تحت تاثیر قرار میدهد و باعث از دست دادن کنترل، دید، تعادل و حواس (بی حسی) می شود. در این پژوهش درصدد یافتن روشی برای بررسی پیش بینی روند بهبود بیماری ام اس با استفاده از تکنیک های داده کاوی هستیم. برای این منظور به بررسی و مقایسه بین تکنیک های داده کاوی سنتی مانند درخت تصمیم گیری، بیز ساده، شبکه عصبی، درخت تصادفی و ماشین بردار پشتیبان پرداخته ایم تا بتوان با توجه به میزان صحت هر یک از الگوریتم ها، الگوریتم مناسبی برای بالا بردن صحت پیش بینی بیماری ام اس یافت. نتایج بدست آمده نشان میدهد که الگوریتم های بیز ساده و شبکه عصبی از میان دیگر الگوریتم ها با دقت ۹۸.۷۵ درصد، بالاترین و بهترین دقت را داشته اند.

داده کاوی، مالتیپل اسکلروزیس، شبکه های عصبی، بیز ساده، ام اس