fa ارائه مدلی تشخیص ابتلا به بیماری مزمن کلیوی با استفاده از تکنیک‌های یادگیری ماشین کلیه Nephrology پژوهشي Research <strong><span style="color:#0070C0;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">زمینه و هدف: </span></span></span></strong><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">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.</span></span></span><br> <strong><span style="color:#0070C0;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">&nbsp;روش کار:</span></span></span></strong><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> 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 </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">Accuracy</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">، </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">Recall</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> و </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">Precision</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> برای ارزیابی عملکرد این دسته‌بندها محاسبه شد. </span></span></span><br> <strong><span style="color:#0070C0;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">یافته‌ها:</span></span></span></strong><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> با توجه معیارهای ارزیابی محاسبه‌شده، برای الگوریتم ماشین بردار پشتیبان، مقادیر معیارهای </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">Accuracy</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">، </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">Recall</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> و </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">Precision</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> به ترتیب برابر 97/0، 961/0، 986/0 به دست آمد. یافته‌ها حکایت از عملکرد بهتر الگوریتم ماشین بردار پشتیبان ازنظر معیار</span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;"> Accuracy</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> دارد. ازنظر معیار </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">Recall</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">، الگوریتم درخت تصمیم با مقدار 963/0 بهترین عملکرد را داشته و از نظر معیار </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">Precision</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">، الگوریتم پرسپترون چندلایه با مقدار 994/0 بهترین عملکرد را در دسته‌بندی داده‌ها داشتند. </span></span></span><br> <strong><span style="color:#0070C0;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">نتیجه‌گیری:</span></span></span></strong><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> 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.</span></span></span> <strong>Background:</strong> Today, the application of artificial intelligence in the field of health systems has been expanded. Machine learning as one of the sub-branches of artificial intelligence has many applications in the field of medical diagnosis. Chronic kidney disease is one of the most common kidney diseases around the world, which facilitation and acceleration in its diagnosis will have a very favorable outcome for its future treatment. The purpose of this study is to provide an intelligent model based on machine learning techniques for diagnosis of kidney diseases.<br> <strong>Methods:</strong> The data used in this study was extracted from 400 patients and non-patients in India. These data were pre-processed in the Python environment and cleared from noisy and outlying observations. Then support vector machine, multilayer perceptron, and decision tree were used for data classification. Accuracy, Recall and Precision evaluation metrics were calculated for performance evaluation of these classifiers.<br> <strong>Results: </strong>For the support vector machine algorithm, the Accuracy, Recall and Precision metrics were calculated to be 0.97, 0.961, and 0.986, respectively. The findings indicated that the support vector machine algorithm performs better in terms of Accuracy. In terms of Recall, the decision tree algorithm with the value of 0.963 had the best performance, and in terms of Precision, multi-layer perceptron algorithm with 0.994 had the best performance in data classification.<br> <strong>Conclusion:</strong> The results showed that machine learning techniques could be effective in the diagnosis of kidney disease. The use of these techniques can facilitate and expedite the diagnosis and treatment of these patients and increase the likelihood of recovery. The results also showed that the model presented on the basis of machine learning techniques is more accurate, simpler and less expensive than other techniques. هوش مصنوعی, یادگیری ماشین, دسته‌بندی, تشخیص پزشکی, بیماری نارسایی کلیوی Artificial intelligence, Machine learning, Classification, Medical diagnosis, Kidney disease 14 22 http://rjms.iums.ac.ir/browse.php?a_code=A-10-4539-1&slc_lang=fa&sid=1 Sajad Bastin takhti سجاد باستین تختی 3900319475328460064048 3900319475328460064048 No MSc Student, University of Sistan and Baluchistan, Sistan and Baluchistan, Iran دانشجوی کارشناسی ارشد مهندسی صنایع، دانشگاه سیستان و بلوچستان، سیستان و بلوچستان، ایران Farzad Firouzi jahantigh فرزاد فیروزی جهانتیغ firouzi@eng.usb.ac.ir 3900319475328460064049 3900319475328460064049 Yes PhD, Assistant Professor, University of Sistan and Baluchistan, Sistan and Baluchistan, Iran استادیار گروه مهندسی صنایع و متخصص، دانشگاه سیستان و بلوچستان، سیستان و بلوچستان، ایران