کلاس بندی بیماری های انسدادی ریوی بر اساس روش های مبتنی بر درخت تصمیم

بیماری های مزمن انسدادی ریوی یکی از عوامل تهدیدکننده بهداشت عمومی می باشد که به عنوان سومین علت مرگ و میر و ناتوانی در سراسر جهان گزارش شده است. تست اسپیرومتری روش استاندارد طلایی برای تشخیص این بیماری ها در نظر گرفته می شود. تفسیر نتایج این تست توسط فرد متخصص انجام می شود و به دلیل رنج نزدیک ویژگی ها و امکان وجود اورلب در هر بین دسته های مختلف بیماری امکان تفسیر و تشخیص توسط خود بیمار وجود ندارد. بنابراین بکارگیری الگوریتم های یادگیری ماشین می تواند در تسریع روند تفسیر و خودارزیابی کمک کننده و موثر باشد. در این مقاله روش درخت تصمیم و روش های یادگیری جمعی بگینگ و آدابوست مبتنی بر درخت تصمیم بکار برده شده است. دادگان بکار رفته در این مقاله از نتایج تست اسپیرومتری و ویژگی های مرتبط با بیماری های ریوی، ۳۹۹ فرد جمع آوری شده است که به سه کلاس بیماری های انسدادی شامل آسم، بروشیت مزمن، آمفیزم تعلق دارد. ارزیابی روش پیشنهادی در چهارچوب روش اعتبارسنجی متقاطع ۵ گانه انجام شد. روش بگینگ با ۹۱/۹۷ درصد دقت، ۸۷/۹۶ درصد حساسیت و ۹۳/۹۸ درصد تشخیص پذیری عملکرد بهتری نسبت به درخت تصمیم منفرد در کلاس بندی بیماری های انسدادی ریوی بدست آورد.