کشف الگوهای تکراری در داده های بالینی بیماران مبتلا به هپاتیت با استفاده از الگوریتم های داده کاوی

کشف الگوهای پرتکرار و استخراج قوانین وابستگی (Association Rules) به عنوان یکی از روش های مهم در داده کاوی امکان شناسایی روابط پنهان بین ویژگی ها را فراهم می کند. در این مطالعه با استفاده از دیتاست Hepatitis از مخزن UCI ۲۰۱۹ (Dua & Graff) که شامل ۱۵۵ بیمار مبتلا به هپاتیت با ۱۹ ویژگی بالینی و آزمایشگاهی است، الگوریتم های Apriori (Agrawal & Srikant, ۱۹۹۳) و FP-Growth (Han, Pei & Yin, ۲۰۰۰) برای استخراج مجموعه اقلام پرتکرار و قوانین وابستگی به کار گرفته شدند. پس از پیش پردازش داده ها شامل ایمپوت مقادیر گمشده، دیسکریت سازی متغیرهای عددی و تبدیل رکوردها به تراکنش، الگوها و قوانین معنی داری استخراج شدند. نتایج نشان داد شاخص هایی مانند آلبومین، بیلی روبین پایین و بالا، بزرگی کبد و افزایش زمان انعقاد خون مرتبط با مرگ بیماران هستند. همچنین FP-Growth کارایی سریع تر و بهینه تری نسبت به Apriori داشت. تحلیل مزایا و معایب روش ها همراه با پیشنهادهایی برای تحقیقات آینده ارائه شده است.

کلیدواژه ها:

Apriori ، هپاتیت ، داده کاوی ، کشف الگوهای پرتکرار ، قوانین وابستگی ، FP-Growth ، مجموعه داده Hepatitis ، تحلیل داده های پزشکی