<span dir="RTL" lang="AR-SA">مدل سازی و پیش بینی فضایی بروسلوز انسانی در سبزوار با استفاده از یادگیری ماشین: مقایسه دو روش PCA-MLP<span dir="RTL" lang="AR-SA"> و PCA-SVM<span dir="RTL">

مقدمه: بیماری بروسلوز (تب مالت)، یک بیماری باکتریایی مشترک بین انسان و دام است که در مناطق مختلفی از ایران از جمله شهرستان سبزوار شیوع دارد. هدف از این مطالعه، مدل سازی و پیش بینی فضایی بروز بروسلوز انسانی با استفاده از سیستم اطلاعات جغرافیایی (GIS) و الگوریتم های یادگیری ماشین شامل شبکه ی عصبی پرسپترون چندلایه همراه با تحلیل مولفه های اصلی (PCA-MLP) و ماشین بردار پشتیبان همراه با تحلیل مولفه های اصلی (PCA-SVM) در این شهرستان بود. روش ها: داده های مربوط به بروز بروسلوز، اطلاعات جمعیتی، اقلیمی، پوشش گیاهی و توپوگرافی بین سال های ۱۳۹۰ تا ۱۴۰۱ جمع آوری شد. داده ها با استفاده ازGIS پردازش و سپس با دو الگوریتم یادگیری ماشین MLP و SVM همراه با تحلیل مولفه های اصلی (PCA) جهت مدل سازی و پیش بینی توزیع فضایی بیماری به کار گرفته شدند. یافته ها: در این مطالعه، تحلیل فصلی نشان داد که در سال های ۱۳۹۱، ۱۳۹۳–۱۳۹۶، ۱۳۹۹ و ۱۴۰۱ اوج بروز بروسلوز در فصل بهار رخ داده، در حالی که در سال های ۱۳۹۸ و ۱۴۰۰ این اوج به تابستان منتقل شده و در برخی سال ها (۱۳۹۰، ۱۳۹۲ و ۱۳۹۷) توزیع فصلی بیماری روندی ناپایدار داشته است. همچنین رطوبت هوا و ارتفاع از سطح دریا به عنوان مهم ترین پیش بینی کننده های بروز شناخته شدند. مدل PCA MLP مناطقی مانند ششتمد و دستوران را با بیشترین تعداد موارد انسانی پیش بینی کرد، در حالی که مدل PCA SVM علاوه بر این ها، برخی مناطق دیگر مورد مطالعه را نیز در گروه مناطق پرخطر قرار داد.. نتیجه گیری: الگوریتم PCA-SVM عملکرد دقیق تری در مدل سازی و پیش بینی بروز بیماری نسبت به PCA-MLP داشت و مناطق با ریسک بالا مانند ششتمد و دستوران را دقیق تر شناسایی کرده بود. یافته های این مطالعه می تواند به مدیران سلامت در تخصیص منابع و طراحی مداخلات پیشگیرانه در مناطق پرخطر کمک کند..

کلیدواژه ها:

بروسلوز ، سیستم های اطلاعات جغرافیایی ، الگوریتم های یادگیری ماشین ، مدل های شبکه عصبی ، تحلیل مولفه های اصلی ، پیش بینی