AU - Montazeri, Mitra AU - Montazeri, Mahdieh TI - Machine learning models for predicting the diagnosis of liver disease PT - JOURNAL ARTICLE TA - Koomesh JN - Koomesh VO - 16 VI - 1 IP - 1 4099 - http://koomeshjournal.semums.ac.ir/article-1-2054-fa.html 4100 - http://koomeshjournal.semums.ac.ir/article-1-2054-fa.pdf SO - Koomesh 1 AB  -   سابقه و هدف: کبد مهم‌ترین ارگان داخلی بدن می‌باشد که نقش اصلی در متابولیسم بدن دارد. بیماری کبد را نمی‌توان به راحتی در مراحل اولیه کشف کرد زیرا کبد حتی زمانی که قسمتی از آن نیز آسیب‌دیده باشد به درستی کار می‌کند و این خود تشخیص این بیماری را مشکل می‌کند. ابزارهای طبقه‌بندی اتوماتیک به عنوان یک ابزار کمک تشخیص باعث کاهش بار کاری پزشکان می‌گردد. طبقه‌بندی‌هایی که به منظور تشخیص هوشمند بیماری کبد در این پژوهش مورد استفاده قرار گرفته است شامل دسته‌بند‌های Naïve Bayes, Trees Random Forest 1NN, AdaBoost, SVM, می‌باشند. مواد و روش‌ها: داده‌های مورد استفاده از سوابق 583 بیمار است که این مجموعه داده در دانشگاه کالیفرنیا در سال 2013 به ثبت رسیده است. برای ارزیابی مدل‌های استفاده شده از اعتبارسنجی ضرب‌دری از نوع k-لایه استفاده شده است. 5 مدل ماشین یادگیری از نظر ویژگی، حساسیت، سطح زیر منحنی راک و دقت دسته‌بندی مقایسه شدند. یافته‌ها: میزان دقت این 5 مدل به ترتیب 55%، 72%، 64%، 70% و 71% و سطح زیر منحنی راک به ترتیب 72/0، 72/0، 59/0، 67/0 و 5/0 است.  نتیجه‌گیری: مدل Trees Random Forest بهترین مدل ارزیابی گردید که دارای بالاترین میزان دقت می‌باشد. از نظر سطح زیر منحنی راک مدل Trees Random Forest و Naïve Bayes بیش‌ترین سطح زیر منحنی را دارا می‌باشند. لذا به‌کارگیری مدل Trees Random Forest در زمینه تشخیص و پیش‌بینی بیماری کبد پیشنهاد می‌شود. این امر در تحقیقات مرتبط با حوزه‌ی سلامت و به‌خصوص در تخصیص منابع درمانی برای افرادی که پرمخاطره پیش‌بینی می‌شوند از اهمیت بالایی برخوردار است CP - IRAN IN - Research Center for Modeling in Health, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran LG - eng PB - Koomesh PG - 53 PT - Research YR - 1393