జర్నల్ ఆఫ్ ఇన్ఫెక్షియస్ డిసీజెస్ & ప్రివెంటివ్ మెడిసిన్
అందరికి ప్రవేశం
ISSN: 2329-8731
ISSN: 2329-8731
అజామోసాదత్ హోస్సేనీ, హమీద్ మొగద్దాసి, రెజా రబీ, సారా మొహెబీ ముషాయి
నేపథ్యం: వ్యాధి నిర్ధారణ కోసం డేటా మైనింగ్ పద్ధతులు క్షయవ్యాధి (TB)తో సహా వివిధ వ్యాధుల అంచనా మరియు నియంత్రణలో సహాయపడతాయి. ఈ అధ్యయనం TB నిర్ధారణ యొక్క రెండు ప్రధాన నమూనాల సామర్థ్యాన్ని పోల్చడానికి లక్ష్యంగా పెట్టుకుంది: MLP (మల్టీలేయర్ పర్సెప్ట్రాన్ న్యూరల్ నెట్‌వర్క్) మరియు ANFIS (అడాప్టివ్ న్యూరో-ఫజీ ఇన్ఫరెన్స్ సిస్టమ్) క్షయవ్యాధిని గుర్తించడంలో ఏ డేటా-మైనింగ్-ఆధారిత మోడల్ మరింత సమర్థవంతంగా పనిచేస్తుందో తెలుసుకోవడానికి.
మెటీరియల్స్ మరియు పద్ధతులు: ఈ విశ్లేషణాత్మక అధ్యయనంలో, ఊపిరితిత్తులు మరియు శ్వాసకోశ వ్యాధుల కోసం ప్రత్యేక ఆసుపత్రిలో ఇన్‌పేషెంట్ల కోసం డేటాబేస్ ఉపయోగించబడింది. డేటాబేస్‌లో 1159 రికార్డులు ఉన్నాయి, వాటిలో 599 రికార్డులు TB సోకిన రోగులకు మరియు 560 రికార్డులు వ్యాధి సోకిన రోగులకు చెందినవి. వ్యాధి నిర్ధారణపై ప్రభావవంతమైన 13 కారకాల సహాయంతో మరియు TB రికార్డుల సమితిని ఉపయోగించి, MLP మరియు ANFIS యొక్క రెండు నమూనాలు పరీక్షించబడ్డాయి మరియు మూల్యాంకనం చేయబడ్డాయి. చివరగా, నిష్పత్తి పరీక్షను ఉపయోగించి, రెండు మోడల్‌లు వాటి AUC విలువల ఆధారంగా పోల్చబడ్డాయి, ఏది ఎక్కువ ప్రభావవంతంగా ఉందో చూడటానికి. రెండు మోడల్‌ల యొక్క సున్నితత్వం, నిర్దిష్టత, ఖచ్చితత్వం మరియు RMSE కూడా పోల్చబడ్డాయి.
ఫలితాలు: MLP యొక్క సామర్థ్యం 0.9921 మరియు ANFIS యొక్క సామర్థ్యం 0.8572. MLP యొక్క సున్నితత్వం, నిర్దిష్టత, ఖచ్చితత్వం మరియు RMSE వరుసగా 93.50%, 94.80%, 94.30% మరియు 0.1788గా నమోదు చేయబడ్డాయి. ANFIS కోసం ఈ విలువలు వరుసగా 79.60%, 92.60%, 85.63% మరియు 0.3345కి సమానం. ఈ ఫలితాల ప్రకారం, MLP మరియు ANFIS మోడల్స్ (p-value˂0.0001) సామర్థ్య స్థాయిల మధ్య గణనీయమైన వ్యత్యాసం ఉంది.
ముగింపు: ANFISతో పోలిస్తే MLP అధిక AUC విలువను సూచించింది. ఫలితాలు కూడా అధిక సున్నితత్వం, నిర్దిష్టత మరియు ఖచ్చితత్వాన్ని చూపించాయి, అయితే MLP కోసం తక్కువ RMSE. మొత్తంమీద, TB నిర్ధారణ కోసం MLP ANFIS కంటే మెరుగైనదిగా నిరూపించబడింది.