شناسایی عوامل موثر و پیشبینی بیماری خشکی چشم با استفاده از الگوریتم های داده کاوی در محیط RapidMiner

خشکی چشم یکی از شایع ترین بیماری های سطح چشم است که به دلیل ماهیت چندعاملی و علائم متنوع، تشخیص آن همواره با چالش همراه بوده است. افزایش استفاده از وسایل دیجیتال، تغییر سبک زندگی و عوامل محیطی موجب افزایش شیوع این بیماری در سال های اخیر شده است. از این رو استفاده از روش های هوشمند برای پیش بینی و تشخیص زودهنگام بیماری می تواند نقش مهمی در کاهش عوارض و کمک به تصمیم گیری پزشکان داشته باشد. هدف از این پژوهش مقایسه عملکرد الگوریتم های داده کاوی در پیش بینی بیماری خشکی چشم با استفاده از داده های بالینی و دموگرافیک بیماران در محیط RapidMiner است. در این مطالعه از مجموعه داده Dry Eye Disease شامل ۲۰۰۰۰ نمونه و ۲۶ ویژگی استفاده شد. پس از انجام مراحل پیش پردازش شامل بررسی داده های گمشده، حذف داده های پرت و انتخاب ویژگی، چهار الگوریتم K-Nearest Neighbor، Random Forest، Decision Tree و Boosted Trees پیاده سازی شدند. عملکرد مدل ها با استفاده از معیارهای Precision، accuracy و Recall مورد ارزیابی قرار گرفت. نتایج نشان داد که ویژگی های قرمزی و احساس خارش در چشم بیشترین تاثیر را در پیش بینی بیماری خشکی چشم دارند؛ همچنین الگوریتم Random Forest با دقت ۶۸/۶۸ درصد نسبت به سایر الگوریتم های بررسی شده عملکرد بهتری در پیش بینی بیماری ارائه کرده است. یافته های پژوهش نشان می دهد که روش های داده کاوی می توانند به عنوان ابزاری مناسب در غربالگری اولیه و توسعه سامانه های پشتیبان تصمیم در حوزه چشم پزشکی مورد استفاده قرار گیرند.

کلیدواژه ها:

خشکی چشم ، داده کاوی ، یادگیری ماشین ، Decision Tree ، Random Forest ، RapidMiner ، Gradient Boosted Trees ، K-Nearest Neighbor