تشخیص آمادگی جهت اهدای خون با توجه به شرایط عمومی داوطلب و بکارگیری الگوریتم های یادگیری ماشین

در دنیای امروز، اهدای خون به عنوان یک عمل حیاتی برای نجات جان انسان ها شناخته می شود. با این حال، چالش های متعددی در زمینه مدیریت و پیش بینی رفتار اهداکنندگان خون وجود دارد. در این راستا، پژوهش حاضر به بررسی کاربرد تکنیک های یادگیری ماشین (ML) برای پیش بینی اهدای خون می پردازد. در این مطالعه از دو الگوریتم طبقه بندی قدرتمند، پرسپترون چندلایه (MLP) و-Kنزدیک ترین همسایه (KNN) به همراه الگوریتم بهینه سازی ذره ای (PSO) برای انتخاب ویژگی های مرتبط با اهدای خون استفاده شده است. مجموعه داده مورد استفاده شامل ۷۴۷ رکورد اهدای خون است که هر کدام با چهار ویژگی "زمان (ماه)"، "پولی (سی سی خون)"، "فرکانس (ماه)" و "سابقه (ماه)" مشخص شده اند. این مجموعه داده به دو زیرمجموعه آموزش و تست تقسیم شده است. نتایج نشان می دهد که الگوریتم PSO به طور موثری مرتبط ترین ویژگی ها را برای پیش بینی اهدای خون شناسایی می کند. "سابقه (ماه)"، به عنوان مهم ترین عامل، زمان سپری شده از آخرین اهدای خون را نشان می دهد. در رتبه های بعدی، "فرکانس (ماه)"، "پولی (سی سی خون)" و "زمان (ماه)" قرار دارند. طبقه بندی کننده های MLP و KNN در مجموعه داده تست عملکردی قابل مقایسه داشتند، به طوری که KNN با %۶۴/۸۱ دقت در Kهای فرد، اندکی از MLP با %۶۹/۷۹ دقت در نورون های فرد پیشی گرفت. یافته های این مطالعه نشان می دهد که تکنیک های ML می توانند به عنوان ابزارهای قدرتمندی برای پیش بینی رفتار اهدای خون و در نتیجه، مدیریت بهینه فرآیند اهدای خون مورد استفاده قرار گیرد.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، اهدای خون ، الگوریتمMLP ، الگوریتمKNN ، الگوریتم PSO.