fa تشخیص بیماری تب کریمه‌کنگو با استفاده از درخت تصمیم C4.5 داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color: black;">مقدمه:</span></strong> با شروع فصل تابستان، بیماری بین انسان و حیوان، یعنی تب کریمه‌کنگو به سرعت شیوع پیدا می‌کند. تشخیص این بیماری با استفاده از آزمایش‌های لازم، در کمترین حالت زمانی حدود یک هفته به طول می‌انجامد. روش‌های داده‌کاوی و یادگیری ماشین متعددی برای ایجاد مدل‌های پیشگویی‌کننده جهت شناسایی افراد در معرض خطر وجود دارد. در این پژوهش از درخت تصمیم <span dir="LTR"><span style="font-size: 11pt;">C4.5</span></span> به دلیل سادگی و کارآمدی‌‌اش به منظور تشخیص این بیماری استفاده شده است.<br> <strong><span style="color: black;">روش:</span></strong> این پژوهش از نوع کاربردی و توصیفی است. در این پژوهش از داده‌های مربوط به افراد مظنون به بیماری تب کریمه‌کنگو استفاده شد. این داده‌ها در یک دوره‌ 4 ساله از سال 1393 از مراکز درمانی کشور جمع‌آوری شد. این پایگاه‌ داده شامل 965 رکورد و 28 ویژگی است. ابتدا با استفاده از روش انتخاب ویژگی برنامه‌نویسی درجه دو، متغیرهای مؤثر و تأثیرگذار بر مدل انتخاب و سپس درخت تصمیم <span dir="LTR"><span style="font-size: 11pt;">C4.5</span></span> با به ‌کارگیری متغیرهای ورودی و تعیین متغیر هدف ایجاد گردید. تجزیه‌و‌تحلیل داده‌ها به کمک نرم‌افزار <span dir="LTR"><span style="font-size: 11pt;">Matlab</span></span> صورت گرفت.<br> <strong><span style="color: black;">نتایج</span></strong><strong>:</strong> با توجه به مدل مشخص شد که متغیرهایی همچون تب، خون‌ریزی، شروع ناگهانی علائم، افزایش آنزیم‌های کبدی، افزایش بیلی روبین توتال، کاهش هموگلوبین، <span dir="LTR"><span style="font-size: 11pt;">Hematuria</span></span>، <span dir="LTR"><span style="font-size: 11pt;">Leukocytosis</span></span>، <span dir="LTR"><span style="font-size: 11pt;">Proteinuria</span></span> و <span dir="LTR"><span style="font-size: 11pt;">Leukopenia</span></span> بیشترین تأثیر را در تشخیص به این بیماری دارند.<br> <strong>نتیجه&shy; گیری:</strong> نتایج نشان می‌دهد که معیار حساسیت مدل پیشنهادی، 95‌% و معیار تشخیص آن 50‌% است که در مقایسه با مطالعات انجام‌شده دیگر در حوزه داده‌کاوی پزشکی، از اثربخشی قابل قبولی در تشخیص این بیماری برخوردار است.</span><br> &nbsp;</div> <div style="text-align: justify;"><strong>Introduction:</strong> The prevalence of Crimean-Congo fever, a common disease between human and animal, shows an increasing rate by coming summer season. Detection of this disease by the use of necessary tests, lasts at least about one week. There are several data mining and machine learning techniques to create predictive models for identifying at risk people. In this study, C4.5 decision tree method has been used due to its simplicity and efficiency.<br> <strong>Methods:</strong> In this applied descriptive study, data related to suspected cases of Crimean-Congo fever were used. These data have been collected from health centers of Iran in a four-year period since 2014 and contained 965 records with 29 features. First, by using the quadratic programming feature selection method, the variables which were effective on the model were selected and then, the C4.5 decision tree model was created through using input variables and determining the target variable. Data analysis was performed through Matlab software.<br> <strong>Results:</strong> According to the applied model, it was found that fever, bleeding, sudden onset of symptoms, increased liver enzyms, increased total Bilirubin, decreased Hemoglobin, Hematuria, Leukocytosis, Proteinuria and Leukopenia have the greatest impact in the diagnosis of this disease.<br> <strong>Conclusion</strong>: According to the obtained results, the sensitivity of the proposed model is 95% and its specificity is 50%. Therefore, this model showed acceptable efficiency in diagnosing this disease in comparison with other studies done in medical data mining field.<br> &nbsp;</div> سیستم تصمیم‌یار پزشکی, تشخیص بیماری, تب کریمه‌کنگو, درخت تصمیم C4.5 Medical decision support system, Disease diagnosis, Crimean-Congo hemorrhagic fever, C4.5 Decision tree 108 121 http://jhbmi.ir/browse.php?a_code=A-10-303-1&slc_lang=fa&sid=1 Reza Esmaeeli Gohari رضا اسماعیلی گوهری narcre@gmail.com 10031947532846003615 10031947532846003615 No Bahmanyar Higher Education Institute of Kerman موسسه آموزش عالی بهمنیار Elham Esmaeeli Gohari الهام اسماعیلی گوهری g.elhamesmaeeli@gmail.com 10031947532846003616 10031947532846003616 Yes . M. Sc. in Compter Engineering, Computer Engineering Det., Technical and Engineering Campus, Yazd University, Yazd, Iran 2. کارشناس ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه یزد، یزد، ایران. Mehdi Shafiei مهدی شفیعی kmushafiei@yahoo.com 10031947532846003617 10031947532846003617 No Kerman University of Medical Sciences دانشگاه علوم پزشکی کرمان