fa سیستم تصمیم‌یار پزشکی برای تشخیص بیماری دیابت و هپاتیت مبتنی بر ترکیب بهینه‌سازی اجتماع ذرات و الگوریتم کرم شب‌تاب سیستم های تصمیم یار بالینی Clinical Decision Support Systems پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-size:12px;"><strong><span style="color:black;">مقدمه:</span></strong> سیستم‌های تصمیم یار پزشکی در قالب یک برنامه کامپیوتری طراحی می‌شوند و به متخصصان پزشکی در اتخاذ تصمیمات تشخیص بیماری، کمک می‌کنند. هدف اصلی این گونه سیستم‌ها در واقع یاری رساندن به پزشکان در زمینه تشخیص بیماری می‌باشد، بدین‌معنی که یک پزشک می‌تواند با سیستم تعامل داشته باشد و در تحلیل داده‌های بیمار، تشخیص‌دهی و سایر فعالیت‌های پزشکی از سیستم کمک بگیرد.<br> <strong><span style="color:black;">روش:</span></strong> این مطالعه از نوع توصیفی-تحلیلی بود. مجموعه داده‌ها شامل 768 رکورد دیابت با 8 ویژگی و 155 رکورد هپاتیت با 19 ویژگی می‌باشند که از سایت جهانی <span dir="LTR">UCI</span> تهیه شده‌اند و از الگوریتم بهینه‌سازی اجتماع ذرات برای انتخاب ویژگی و از الگوریتم کرم شب‌تاب برای طبقه‌بندی بیماری دیابت و هپاتیت به دو کلاس سالم و ناسالم استفاده شد. از 80 درصد داده‌ها جهت آموزش و از 20 درصد باقی‌مانده جهت آزمون استفاده شد.<br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> بررسی اولیه نشان داد صحت الگوریتم‌های بهینه‌سازی اجتماع ذرات و کرم شب‌تاب برای مجموعه داده دیابت به<span dir="LTR">‌</span>ترتیب برابر با 84/41 و 82/08 درصد و برای مجموعه داده هپاتیت به ترتیب برابر با 81/84&nbsp; و 80/34 درصد به دست آمد. همچنین صحت مدل پیشنهادی برای مجموعه داده دیابت و هپاتیت به ترتیب برابر 95/38 و 94/09&nbsp; درصد بود.<br> <strong>نتیجه‌گیری:</strong> بر اساس یافته‌های این مطالعه، مدل پیشنهادی در مقایسه با الگوریتم‌های بهینه‌سازی اجتماع ذرات و کرم شب‌تاب از نرخ خطای کمتری در تشخیص بیماری برخوردار بود. یافته‌های این پژوهش می‌تواند به پزشکان در تشخیص به موقع بیماری دیابت و هپاتیت کمک نماید.</span></div> <div style="text-align: justify;"><span style="font-size:12px;"><strong>Introduction:</strong> Clinical Decision Support Systems (CDSS) are designed in the form of computer programs that help medical professionals make decisions about disease diagnosis. The main aim of these systems is to assist physicians in diagnosing diseases, in other words, a physician can interact with the system and use them to analyze patient data, diagnose diseases, and other medical activities.<br> <strong>Method:</strong> This is a descriptive-analytic study. The datasets include 768 records of diabetes with 8 features and 155 records of hepatitis with 19 features, which were provided by the Global Website of UCI. In this study, the Particle Swarm Optimization (PSO) algorithm was used for Feature Selection (FS) and the Firefly Algorithm (FA) was used to classify diabetes and hepatitis into two healthy and unhealthy classes. 80% of the data was used for training and the remaining (20%) was used for testing.<br> <strong>Results:</strong> The experiments showed that the accuracy of the PSO and FA for the diabetes dataset was 84.41% and 82.08%, respectively. Also, the accuracy of the PSO and FA for the hepatitis dataset was 81.84% and 80.34%, respectively. The accuracy of the proposed model for the diabetes and hepatitis datasets was 95.38% and 94.09%, respectively.<br> <strong>Conclusion</strong>: According to the results, the proposed model had a lower error rate in diagnosis compared to the PSO and FA. The results of this study can help doctors in timely diagnosis of diabetes and hepatitis</span><span dir="RTL"></span></div> سیستم تصمیم یار پزشکی, تشخیص بیماری, بیماری دیابت, بیماری هپاتیت, الگوریتم بهینه‌سازی اجتماع ذرات, الگوریتم کرم شب‌تاب Clinical Decision Support Systems, Diagnosis of disease, Diabetes mellitus, Hepatitis, Particle pool optimization algorithm, Firefly algorithm 32 45 http://jhbmi.ir/browse.php?a_code=A-10-347-2&slc_lang=fa&sid=1 Farhad Soleimanian Gharehchopogh فرهاد سلیمانیان قره چپق bonab.farhad@gmail.com 10031947532846006072 10031947532846006072 Yes Ph.D., in Computer Engineering, Assistant Professor, Computer Engineering Dept., Urmia Branch, Islamic Azad University, Urmia, Iran دکترای مهندسی کامپیوتر، استادیار، گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران Seyyed Keivan Mousavi سید کیوان موسوی kmosavi87@gmail.com 10031947532846006073 10031947532846006073 No Ph.D. Student, in Computer Engineering, Computer Engineering Dept., Urmia Branch, Islamic Azad University, Urmia, Iran دانشجوی دکترای مهندسی کامپیوتر، گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران