پیشی بینی پاسخ دهی به درمان با استفاده از ترکیب الگوریتم بهینه سازی ازدحام ذرات و ماشین های بردار پشتیبان

هدف: اختلال وسواس-اجبار )1(OCD یکی از شایع ترین اختلالات روانی ناتوان کننده می باشد که موجب از دست رفتن عملکرد طبیعی بیماران شده و از کیفیت زندگی آنها می کاهد. در کنار درمان های شناختی و رفتاری، برای درمان دارویی این بیماری اغلب از مهارکننده اختصاصی بازجذب سروتونین SSRI از جمله فلووکسامین، فلوکستین، سرترالین، سیتالوپرام و پاروکستین استفاده می شود. یکی از ویژگی های اختلال وسواس-اجبار این است که بیماران پس از مصرف دارو به طور یکسان به درمان پاسخ مثبت نمی دهند و مصرف داروبرای حدود 40 % بیماران بیتاثیر بوده یا تاثیر کمی دارد. در حال حاضر هیچ ابزار موثری برای پیش بینی پاسخ دهی به درمان وجود ندارد. ما در این مقاله، از ترکیب الگوریتم بهینه سازی ازدحام ذرات و ماشین های بردار پشتیبان برای پیش بینی پاسخ دهی به درمان با استفاده از دیتاست ایرانی استفاده کرده ایم.روش کار: 332 بیمار که شرایط DSM-V را داشتند در مطالعه شرکت کردند اما 151 بیمار درمان خود را تکمیل کردند بیماران با مصرف فلووکسامین 300-150 میلی گرم به مدت 12 هفته تحت درمان قرار گرفتند و افرادی که نمره Y-BOCS آنها کاهش 25 درصدی را نشان داد به عنوان پاسخ دهنده درنظر گرفته شدند. برای هر بیمار 36 ویژگی دموگرافیک و .. مورد بررسی قرار گرفت. از آنجایی که همه این ویژگی ها در پیش بینی پاسخ دهی به درمان تاثیر ندارند از الگوریتم بهینه سازی ازدحام ذرات باینری برای انتخاب ویژگی و از ماشین های بردار پشتیبان به عنوان یک الگوریتم یادگیری ماشین برای پیش بینی پاسخ دهی به درمان با استفاده از ویژگی های انتخاب شده استفاده کردیم. نتایج: ما از ترکیب بهینه سازی ازدحام ذرات و ماشین های بردار پشتیبان می تواند برای کلاس بندی استفاده کردیم. ما همچنین از الگوریتم های متداول کلاس بندی مانند درخت تصمیم، k نزدیک ترین همسایه، شبکه های عصبی مصنوعی، جنگل تصادفی و ترکیب الگوریتم ژنتیک و ماشین های بردار پشتیبان برای کلاس بندی استفاده کردیم و نتایج را بر اساس معیارهای صح ، دقت ، حساسیت و شفافیت را با یکدیگر مقایسه کردیم که نشان دهنده برتری روش پیشنهادی می باشد.