دوره 9، شماره 1 - ( 3-1401 )
جلد 9 شماره 1 صفحات 39-27 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Makhloughi F, Goshvarpour A. Prediction of Covid-19 Prevalence and Fatality Rates in Iran Using Long Short-Term Memory Neural Network. jhbmi 2022; 9 (1) :27-39
URL: http://jhbmi.ir/article-1-667-fa.html
URL: http://jhbmi.ir/article-1-667-fa.html
مخلوقی فاطمه، گشوارپور عاتکه. پیش‌بینی نرخ ابتلا و فوت ناشی از کووید-19 در ایران با استفاده از شبکه عصبی حافظه طولانی کوتاه‌مدت. مجله انفورماتیک سلامت و زیست پزشکی. 1401; 9 (1) :27-39
دکتری مهندسی پزشکی، استادیار مهندسی پزشکی، گروه مهندسی پزشکی، دانشگاه بین‌المللی امام رضا (ع)، مشهد، ایران
چکیده: (2572 مشاهده)
مقدمه: گسترش سریع بیماری کووید-19 به یک تهدید جدی برای جهان تبدیل شده است. تاکنون میلیون‌ها نفر در سراسر جهان به این بیماری مبتلا شده‌اند. همه‌گیری کووید-19 بر جنبه‌های مختلف زندگی بشر اثرات قابل توجهی داشته است. به منظور ایمنی و ایجاد تمهیدات لازم، پیش‌بینی نرخ شیوع ویروس در این زمان ضروری است. این امر می‌تواند به کنترل نرخ همه‌گیری و مرگ و میر آن کمک نماید. مطالعات پیشین، عمدتاً از ابزارهای آماری و الگوریتم‌های مبتنی بر یادگیری ماشین استفاده کرده‌اند. هرچند، اولی برای تجزیه و تحلیل غیرقابل پیش‌بینی بیماری همه‌گیر ناکافی بودند و دومی عمدتاً مشکلات عدم برازش یا بیش‌برازش را تجربه کردند. برای فائق آمدن بر این مشکلات، مطالعه حاضر روشی مبتنی بر یادگیری عمیق بر دادگان طولانی مدت را پیشنهاد کرده است.
روش: در مطالعه تحلیلی- مقطعی حاضر یک رویکرد برای پیش‌بینی موارد ابتلا و فوت شده ناشی از کووید-19 مبتنی بر شبکه‌های حافظه طولانی کوتاه‌مدت (Long Short-Term Memory) LSTM ارائه شد. مدل LSTM روی داده‌های سری زمانی کشور ایران از تاریخ 1398/11/2 تا 1400/9/23 اجرا شد و معیارهای ارزیابی RMSE و MAE محاسبه شدند.
نتایج: بهترین نتایج این مطالعه برای پیش‌بینی دادگان فوت شده با 27/57 = RMSE و 19/01 = MAE بوده است. نتایج نشان داد که شبکه عصبی LSTM کارایی خوبی در پیش بینی موارد ابتلا و فوتی ایران داشته است.
نتیجه‌گیری: مدل پیشنهادی نشان داد که در مدل‌سازی و پیش‌بینی وضعیت شیوع ویروس مناسب بوده است. تخمین افراد مبتلا و فوت شده ناشی از کووید-19 می‌تواند به کنترل وضعیت پاندمی کمک کند.
روش: در مطالعه تحلیلی- مقطعی حاضر یک رویکرد برای پیش‌بینی موارد ابتلا و فوت شده ناشی از کووید-19 مبتنی بر شبکه‌های حافظه طولانی کوتاه‌مدت (Long Short-Term Memory) LSTM ارائه شد. مدل LSTM روی داده‌های سری زمانی کشور ایران از تاریخ 1398/11/2 تا 1400/9/23 اجرا شد و معیارهای ارزیابی RMSE و MAE محاسبه شدند.
نتایج: بهترین نتایج این مطالعه برای پیش‌بینی دادگان فوت شده با 27/57 = RMSE و 19/01 = MAE بوده است. نتایج نشان داد که شبکه عصبی LSTM کارایی خوبی در پیش بینی موارد ابتلا و فوتی ایران داشته است.
نتیجه‌گیری: مدل پیشنهادی نشان داد که در مدل‌سازی و پیش‌بینی وضعیت شیوع ویروس مناسب بوده است. تخمین افراد مبتلا و فوت شده ناشی از کووید-19 می‌تواند به کنترل وضعیت پاندمی کمک کند.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1400/10/13 | پذیرش: 1401/4/4
دریافت: 1400/10/13 | پذیرش: 1401/4/4
فایل صوتی [M4A 3169 KB] (66 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
