%0 Journal Article %A Bastin takhti, Sajad %A Firouzi jahantigh, Farzad %T A model for diagnosis of kidney disease using machine learning techniques %J Razi Journal of Medical Sciences %V 26 %N 8 %U http://rjms.iums.ac.ir/article-1-5727-fa.html %R %D 2019 %K Artificial intelligence, Machine learning, Classification, Medical diagnosis, Kidney disease, %X زمینه و هدف: امروزه کاربرد هوش مصنوعی درزمینه سیستم‌های سلامت گسترش زیادی داشته است. یادگیری ماشین به‌عنوان یکی از زیرشاخه‌های هوش مصنوعی، کاربردهای فراوانی درزمینه تشخیص پزشکی دارد. بیماری مزمن کلیوی یکی از شایع‌ترین بیماری‌های مربوط به کلیه در سراسر جهان است که تسهیل و تسریع در امر تشخیص آن نتایج بسیار مطلوبی بر روند درمان آتی آن خواهد داشت. هدف این پژوهش ارائه مدلی هوشمند برپایه‌ی تکنیک‌های یادگیری ماشین جهت تشخیص بیماری نارسایی کلیوی است. روش کار: این مطالعه از نوع توصیفی-تحلیلی می‌باشد. داده‌های مورد استفاده در این تحقیق از تعداد ۴۰۰ فرد بیمار و غیر بیمار در کشور هندوستان استخراج‌شده است. این داده‌ها ابتدا در محیط پایتون پیش‌پردازش شده و از مشاهدات نویز و دورافتاده پاک شد. سپس الگوریتم‌های ماشین بردار پشتیبان، پرسپترون چندلایه و درخت تصمیم جهت دسته‌بندی داده‌ها به کار گرفته شد. معیارهای ارزیابی Accuracy، Recall و Precision برای ارزیابی عملکرد این دسته‌بندها محاسبه شد. یافته‌ها: با توجه معیارهای ارزیابی محاسبه‌شده، برای الگوریتم ماشین بردار پشتیبان، مقادیر معیارهای Accuracy، Recall و Precision به ترتیب برابر 97/0، 961/0، 986/0 به دست آمد. یافته‌ها حکایت از عملکرد بهتر الگوریتم ماشین بردار پشتیبان ازنظر معیار Accuracy دارد. ازنظر معیار Recall، الگوریتم درخت تصمیم با مقدار 963/0 بهترین عملکرد را داشته و از نظر معیار Precision، الگوریتم پرسپترون چندلایه با مقدار 994/0 بهترین عملکرد را در دسته‌بندی داده‌ها داشتند. نتیجه‌گیری: نتایج به‌دست‌آمده نشان داد که تکنیک‌های یادگیری ماشین می‌توانند در تشخیص بیماری مزمن کلیوی اثرگذار باشند. به‌کارگیری این تکنیک‌ها می‌تواند امور مربوط به تشخیص و درمان این بیماران را تسهیل کند و احتمال بهبودی افراد را بالا برد. همچنین نتایج نشان داد که مدل ارائه شده بر پایه‌ی تکنیک‌های یادگیری ماشین، در مقایسه با سایر تکنیک‌ها دقیق‌تر، ساده‌تر و کم‌هزینه تر استد. %> http://rjms.iums.ac.ir/article-1-5727-fa.pdf %P 14-22 %& 14 %! %9 Research %L A-10-4539-1 %+ PhD, Assistant Professor, University of Sistan and Baluchistan, Sistan and Baluchistan, Iran %G eng %@ 2228-7043 %[ 2019