2

fa تحلیل عوامل اثرگذار بر «ابتلاء به بیماری کووید-19»، با استفاده از داده‌های بالینی بیماران، با روش‌های داده‌کاوی Analysis of Factors Affecting Covid-19 Disease Using Patient Clinical Data by Data Mining Methods تخصصي Special پژوهشي Research مقدمه و هدف: ابتلاء فراگیر به ویروس کووید-19 و شیوع سریع آن در سال‌های اخیر، به یکی از معضلات کادر درمانی در جهان تبدیل شده است. هنگامی که این بیماران به مراکز درمانی وارد و مراحل اولیه تشخیص ویروس را طی می‌کنند، تفکیک بهینه و قاعده‌مند آنان از سایر بیماران، می‌تواند کمک شایانی به کادر درمان کند. از سوی دیگر تشخیص سریع‌تر بیمار مشکوک به کووید- 19، در جلوگیری از شیوع بیشتر آن، موثر خواهد بود. در این پژوهش قصد داریم با استفاده از داده‌های تصاویر پزشکی مبتلایان، و روش‌های داده‌کاوی، به تعیین مشخصه‌های اثرگذار در تشخیص و تفکیک مبتلایان به کووید-19 از سایر بیماران، در مراکز درمانی بپردازیم. همچنین به استخراج قواعد تصمیم‌گیری، جهت بهینه سازی فرآیند تصمیم‌گیری کادر درمان، خصوصا" در تفکیک بهتر مبتلایان از سایر بیماران، پرداخته شده است. طراحی/روش/رویکرد‌ها: در این پژوهش از داده‌کاوی با روش «رافست»، «شبکه عصبی مصنوعی» و «درخت تصمیم» جهت استخراج قواعد تصمیم‌گیری استفاده کرده‌ایم. به این منظور، ابتدا داده‌ها پاکسازی شده و مشخصه‌های غیرمرتبط حذف گردید، سپس با استفاده از نرم افزارهای اکسل، رُزتا، و وِکا، اقدام به گسسته‌سازی و تقسیم داده‌ها به آزمون و آموزش کرده و پس از کاهش مشخصه‌ها، به استخراج قواعد تصمیم‌گیری و تحلیل آن، اقدام شد. یافته‌ها:  در این پژوهش مجموعا" شامل 950 داده تصویر رادیوگرافی بیماران است که از این تعداد 311 سطر یا 7/32 % مربوط به زنان و 559 سطر یا 8/58 % مربوط به مردان است. با توجه به توابع جانسون و ژنتیک و درخت تصمیم، مشخصه‌های «سن»، «تعداد روزهای تهیه تصویر پس از شروع علائم و یا بستری شدن»، «وضعیت آزمایش RT_PCR» و «نوع تصویر پزشکی»، و بر اساس تابع هولتس بعلاوه مشخصه «درخواست اکسیژن»، اثرگذاری بیشتری در تشخیص و تفکیک بیماران دارند. با استفاده از روش «رافست» بوسیله توابع جانسون و ژنتیک و هولتس، دقت قوانین مدل هریک 83% شد که بوسیله تابع جانسون 465 قانون و توسط تابع ژنتیک تعداد 3316 قانون و توسط تابع هولتس تعداد 62 قانون استخراج شد.  با استفاده از روش «درخت تصمیم» و الگوریتم J48 آن، دقت مدل برابر82% و تعداد قوانین برابر 9 قانون است. همچنین در روش «شبکه عصبی مصنوعی» با الگوریتم چندلایه پرسپرون، دقت مدل تقریبا" برابر97% می‌باشد از بقیه روش‌ها بالاتر است. به طور متوسط 08/9 روز پس از شروع علائم و با بستری شدن از بیماران تصاویر پزشکی تهیه شده است. در نهایت پنج قانون ترکیبی حاصل از اجرای این روش‌ها تبیین گردید. Introduction & Purpose: The widespread infection of Covid-19 virus and its rapid spread in recent years has become one of the problems of medical staff in the world. When these patients enter medical centers and go through the initial stages of virus diagnosis, their optimal and regular separation from other patients can be of great help to the medical staff. On the other hand, faster diagnosis of a patient suspected of having Covid-19 will be effective in preventing its further spread. In this study, we intend to use the data of patient's medical images and data mining methods to determine the effective characteristics in diagnosing and differentiating patients with Covid-19 from other patients in medical centers. Also, decision-making rules have been extracted to optimize the decision-making process of the medical staff, especially in "better distinguishing patients from other patients." Design/methodology/approach: In this research, we have used data mining with "ROUGH SET" method, "Artificial Neural Network" and "Decision tree" to extract decision rules. For this purpose, first the data was cleared and irrelevant features were removed, then using Excel, Rosetta, and Weka software, they attempted to dissect and divide the data into tests and training, and after reducing the features, extracting the rules of decision-making and analysis. That, action was taken. Findings: In this study, a total of 950 radiographic images of patients are included, of which 311 lines or 32.7% are related to women and 559 lines or 58.8% are related to men. According to Johnson, Genetic and Decision tree, the characteristics of "age", "number of days of imaging after the onset of symptoms or hospitalization", "RT_PCR test status" and "type of medical image", and based on Holtz function plus the feature "oxygen demand", have a greater impact on diagnosis. Using the "ROUGH SET" method by Johnson, Genetics and Holtz methods, the accuracy of each model rule was 83%, which was extracted by Johnson (465), by genetic function (3316) and by Holtz (62). Using the "decision tree" method and its J48 algorithm, the model has an accuracy of 82% and a number of rules equal to 9. Also, in the "artificial neural network" method with the Perceptron multilayer algorithm, the model accuracy is approximately 97% higher than other methods. . On average, medical images were taken 9.08 days after the onset of symptoms and after hospitalization of patients. Finally, the five compound laws resulting from the implementation of these methods were explained. کرونا, Covid-19, جانمایی بیمار, درخت تصمیم, راف, شبکه عصبی, Montreal, Corona, Covid-19, Patient Location, Decision Tree, Rough, Neural Network, Montreal. 1 9 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-26-1&slc_lang=fa&sid=1 Mansour Esmaeilpour منصور اسماعیل پور esmaeilpour@iauh.ac.ir 100319475328460020 100319475328460020 Yes Islamic Azad University - Hamadan Branch دانشگاه آزاد اسلامی واحد همدان Arash Bahiraei آرش بحیرائی bahiraei@gmail.com 100319475328460021 100319475328460021 No Tasvire Sobhe sagegh تصویر صبح صادق