داده کاوی چیست ؟ و کاربردهای آن در سال ۲۰۱۹ (تاریخچه فواید و منابع)

از جمله سلسله مقالات گروه داده کاوی همت، مقالات منحصر به فرد در حوزه داده کاوی است که در این دانشنامه در حال گردآوری می باشد که برای علاقمندان ارسال و در یک مجموعه واحد آماده مطالعه عزیزان می باشد

همانطور که در سری مقالات گذشته گروه همت حتما خوانده اید، به طور مفصل داده کاوی را تشریح کرده و مفصلا به آن پرداخته ایم.

در این مقاله نیز مجددا که برای شما علاقمندان گردآوری شده است قصد داریم مجددا داده کاوی را توضیح دهیم.اگر از علاقمندان به علم داده کاوی هستید از طریق لینک های داخل مطلب یا مراجعه به بخش دانشنامه همت سایرمقالات را نیز حتما بخوانید

داده کاوی چیست

در این مقاله سعی خواهیم کرد داده کاوی و کاربرد های آنرا به بیان ساده برای شما عزیزان بنویسیم.
روند حفاری از طریق داده ها برای کشف اتصالات پنهان و پیش بینی روند آینده، تاریخچه طولانی دارد. گاهی اوقات به عنوان “کشف دانش در پایگاه های داده” نامیده می شود، اصطلاح “داده کاوی” تا دهه ۱۹۹۰ ساخته نشده بود. اما پایه آن شامل سه رشته علمی مقابل است:

• آمار (مطالعه عددی روابط داده ها)
• هوش مصنوعی (هوش انسان مانند نرم افزار و / یا ماشین)
• یادگیری ماشین (الگوریتم هایی است که می توانند از داده ها برای پیش بینی استفاده کنند).

آنچه که قدیمی بود دوباره جدید است، زیرا تکنولوژی داده کاوی در حال تکامل است تا با پتانسیل بی حد و حصر داده های بزرگ و قدرت محاسباتی مقرون به صرفه هماهنگ شود.

در دهه گذشته، پیشرفت در پردازش قدرت و سرعت، ما را قادر به فراتر رفتن از شیوه های دستی میکند، تجزیه و تحلیل داده هایی که خسته کننده و وقت گیر بود، سریع، آسان و خودکارشده است.  مجموعه داده ها پیچیده تر جمع آوری شده است، پتانسیل بیشتری برای کشف بینش مربوطه وجود دارد.

از جمله خرده فروشان، بانک ها، تولید کنندگان، ارائه دهندگان خدمات مخابراتی و بیمه گران، از استخراج داده ها برای کشف روابط بین همه چیز از جمله بهینه سازی قیمت، تبلیغات و جمعیت شناختی تا نحوه اقتصاد، خطر، رقابت و رسانه های اجتماعی بر مدل های کسب و کار، درآمد، عملیات و روابط مشتریاستفاده میکنند.

 

امروزه شرکت ها نیاز به یک روش کارآمد برای یافتن اطلاعات ارزشمند دارند تا بتوانند با سرعت بیشتری رشد اقتصادی آنها ادامه یابند. در رده داده های بزرگ، هر روز داده های توده ای را در بسیاری از زمینه ها تولید می کند.

روش های آماری سنتی برای مقابله با آن بسیار وقت گیر و ناکارآمد بود. بنابراین لازم است که یک الگوریتم هوشمند پیدا کنیم که بتواند حجم زیادی از اطلاعات را برای استخراج دانش بالقوه اداره کند. داده کاوی یک تکنولوژی مبتنی بر روش های آماری ریاضی آماری است و ترکیبی از بسیاری از الگوریتم های پردازش پیچیده داده ها است.

این توانایی برای تجزیه و تحلیل داده های مقیاس پذیر، چند بعدی، متنوع، پیچیده و دیگر انواع داده ها را دارد. به دلیل برتر بودن داده کاوی، محققان به طور گسترده ای این تکنولوژی را در بازاریابی، بیمه، بانکی و پزشکی برای یافتن دانش پنهان استفاده می کنند.

---

برای مطالعه بیشتر مقاله معرفی { داده کاوی } را حتما بخوانید

---

چرا داده کاوی مهم است؟

شما موارد زیادی را دیده اید که حجم داده های تولید شده هر دو سال دو برابر می شود. داده های بدون ساختار به تنهایی ۹۰ درصد از جهان دیجیتال را تشکیل می دهند. اما اطلاعات بیشتر لزوما به معنی دانش بیشتر نیست.
داده کاوی به شما امکان می دهد تا:

• درک آنچه مربوط است و سپس استفاده مناسب از آن اطلاعات برای ارزیابی نتایج احتمالی.
• سرعت تصمیم گیری های آگاهانه را تسریع کنید.
•  

کاربرد های داده کاوی چیست؟

داده کاوی در قلب تلاش های تحلیلی در صنایع مختلف و رشته ها قرار دارد لذا کاربرد های داده کاوی را در زیر مورد بررسی قرار داده ایم.

ارتباطات

در یک بازار پربار که رقابت تنگ است، پاسخ اغلب در اطلاعات مصرف کننده شماست. شرکت های چند رسانه ای و ارتباطات از راه دور می توانند از مدل های تحلیلی برای شناسایی کوه ها از اطلاعات مشتریان استفاده کنند، به آنها کمک می کند تا رفتار مشتری را پیش بینی کنند و کمپین های بسیار هدفمند و مناسب را ارائه دهند.

بیمه

شرکت های بیمه با استفاده از تکنیک های تحلیلی می توانند مشکلات پیچیده ای را در رابطه با تقلب، انطباق، مدیریت ریسک و سقوط مشتری حل کنند. شرکت ها از تکنیک های داده کاوی به قیمت محصولات به طور موثر در خطوط کسب و کار استفاده کرده اند و روش های جدیدی برای ارائه محصولات رقابتی به مشتریان موجود خود دارند.

تحصیلات

با یکپارچه، دیدگاه های داده شده بر پیشرفت دانش آموزان، معلمان می توانند قبل از اینکه پای درس در کلاس درس را پیش ببرند، پیش بینی می کنند و راهبردهای مداخله ای برای نگه داشتن آنها در مسیر فراهم می کنند. داده کاوی به آموزگاران کمک می کند تا داده های دانش آموزان را در دسترس داشته باشند، پیش بینی سطوح دستاورد و دانش آموزان یا گروه هایی که نیاز به توجه بیشتری دارند، به طور دقیق مشخص شود.

 

[caption id="attachment_1058" align="aligncenter" width="820"] دیتاماینینگ[/caption]

 

ساخت

هماهنگ کردن برنامه های عرضه با پیش بینی های تقاضا ضروری است، همانطور که تشخیص زودهنگام مشکلات، تضمین کیفیت و سرمایه گذاری در ارزش سهام برند است. تولید کنندگان می توانند از دارایی های تولیدی پیش بینی کنند و پیش بینی های تعمیر و نگهداری را انجام دهند، که می تواند به حداکثر رساندن زمان آماده سازی و خط تولید را به موقع حفظ کند.

بانکداری

الگوریتم های خودکار کمک به بانک ها در درک مشتریان خود و همچنین میلیاردها معاملات در قلب سیستم مالی. داده کاوی به شرکت های خدمات مالی کمک می کند تا دیدگاه های بهتر در مورد خطرات بازار، سریعتر تشخیص تقلب، مدیریت تعهدات قانونی و بازده مطلوب سرمایه گذاری های بازاریابی خود را دریافت کنند.

خرده فروشی

یکی دیگر از کاربرد های داده کاوی بانک اطلاعاتی مشتریان مشتری بینش پنهانی مشتری را که می تواند به شما در بهبود روابط، بهینه سازی کمپین های بازاریابی و پیش بینی فروش کمک کند. از طریق مدل های دقیق تر داده ها، شرکت های خرده فروشی می توانند اقدامات هدفمندتری ارائه دهند و پیشنهاداتی را که بیشترین تاثیر را بر مشتری می گذارد، پیدا کنید.

---

برای مطالعه دقیقتر پیرامون نقش داده کاوی در کسب و کارهای مختلف به شما توصیه میکنیم حتما چند مقاله زیر را مطالعه کنید..

نقش داده کاوی در صنعت

نقش داده کاوی در بازاریابی

نقش داده کاوی در پزشکی

نقش داده کاوی در بورس

---

تا این بخش مقاله امیدواریم که شما با داده کاوی و نقش داده کاوی به صورت خلاصه آشنا شدید

 

داده کاوی چه فایده ای دارد

شناخت مشتریان سودآور: می توانید مشتریانی که بیشترین سود شما از آنها حاصل شده را شناسایی کنید و برای حفظ وفاداری مشتری تلاش کنید.

بهینه سازی سبد محصول: شناخت محصولات پر فروش، محصولات سودآور محصولات زیان ده از دیگر فواید داده کاوی است. با این کار می توانید در بهتر کردن سبد محصول خود اقدام کنید.

شناخت مشتریان وفادار و قدیمی: می توانید بفهمید مشتریان قدیمی شما چه کسانی هستند و با چه برنامه ای خرید می کنند، چه کالایی را دوست دارند و چه کالایی باعث وفاداری آنها شده است.

بررسی طول عمر مشتری: با استفاده از داده کاوی می توانید طول عمر مشتری و چرخه آن، میزان سود حاصل عایده از هر مشتری در هر مرحله را بررسی کنید.

شناسایی رفتار مشتری: اگر شما بتوانید رفتار مشتریان خود را بشناسید و آن را با ویژگی های مشتری تطابق دهید می توانید در زمینه بخش بندی و قسمت بندی بازار موفق عمل کنید. اگر امروز بتوانید برای یک محصول خود به صورت مستند بخش بندی بازار انجام دهید در ادامه نیز در این امر موفق خواهید بود.

بررسی عمکلرد یک برنامه بازاریابی: اگر می خواهید بدانید یک برنامه بازاریابی و تبلیغاتی که انجام داده اید چه اثرات آشکار و پنهانی داشته و برای انتخاب آن در آینده تصمیم بگیرید بی شک داده کاوی بسیار مفید خواهد بود.

کشف الگو و روند: با استفاده از داده کاوی و بررسی میزان خرید مشتریان می توانید الگوهای فصلی خرید را استخراج کنید، روند کاهش و یا افزایش آن را تحلیل کنید و در صورت نیاز اقدام اصلاحی انجام دهید.

پیش بینی فروش: با استفاده از اطلاعات گذشته و بهره بردن از الگو و ارتباط میان داده ها و رونده می توانید فروش خود را در آینده پیش بینی کنید. روند فصلی فروش را بیابید و برای فروش یک محصول جدید برنامه ریزی کنید.

---

اگر از علاقمندان به داده کاوی هستید این مطالب را بخوانید { گروه تلگرامی داده کاوی }

---

داده کاوی در شناسایی عیوب و بهبود کیفیت

⭕️شناسایی عیوب یکی از نخستین حوزه‌هایی است که داده کاوی در آن به‌کار رفته است؛ ایده به‌کار گرفته شده در داده‌کاوی در این خصوص مطالعه‌ی رفتار گذشته سیستم و فهم فرایند و سپس پیش‌بینی و ارتقا عملکرد آینده سیستم است.

از داده‌کاوی می‌توان برای شناسایی الگوهایی که می‌توانند به خرابی منجر شوند استفاده کرد؛ چنین شیوه‌هایی نه تنها در شناسایی محصولات معیوب کمک می‌کنند بلکه به‌صورت فنی پارامترهای مهم و تاثیرگذار بر کیفیت را نیز تغیین می‌کنند.

چند نمونه از کاربردها در ادامه ذکر شده است:
۱-کنترل کیفیت
۲-تعیین طرح‌های کنترل کیفی
۳-شناسایی نوع خرابی
۴-شناسایی مکانیزم خرابی قطعات مکانیکی
۵-بهبود کیفیت
۶- مهندسی کیفیت
۷-پیش‌بینی احتمال خرابی

امیدوارم از مقاله ای که در دانشنامه همت برای شما گردآوری شده بهره کافی برده باشید

با ما همراه باشید

منابع

1. Data Mining and Knowledge Discovery
2. International Journal of Data Mining and Bioinformatics
3. EPJ Data Science
4.  Journal of Data Science
5. Big Data

 

 

 

گروه داده کاوی همت + خدمات تحلیل داده + دیتاماینینگ

گروه داده کاوی همت + خدمات تحلیل داده + دیتاماینینگ

گروه داده کاوی همت یکی از تخصصی ترین گروه های داده کاوی در سطح کشور با ارائه خدمات تخصصی داده کاوی و تجارت الکترونیک در خدمت شما عزیزان و هم وطنان عزیز می باشد

خدمات گروه :

خدمات داده کاوی تخصصی در کلیه موضوعات تخصصی

طراحی طرح های بیزینس پلن و بازاریابی هدفمند

آموزش تخصصی نرم افزارهای داده کاوی

راهکارهای تجارت الکترونیکی حرفه ای

طراحی و توسعه نرم افزارهای ویندوز و ...

طراحی و توسعه نرم افزارهای تحت وب..

مشاوره تحلیل داده و دیجیتال مارکتینگ

و... 

جهت ارتباط با ما و دریافت هر گونه خدمات تخصصی کافیست با ما در ارتباط باشید

---

{ واحد ارتباط با ما شرکت  }    { سایت رسمی شرکت }

---

تلفن گویا :

021-28-425-426

ایمیل :

email : [e-mail]

{  گروه تلگرامی داده کاوی  }   { کانال تلگرامی داده کاوی } 

---

داده کاوی در پزشکی

داده کاوی ویژگی های پزشکی بیماران با هدف تشخیص خودکار

داده کاوی به معنای استخراج اطلاعات نهفته، بازشناخت روابط و الگوهای پنهان و به طور کلی کشف دانش سودمند از داده با حجم بالا است. استخراج قواعد طبقه بندی نوعی داده کاوی است که در آن دانشی به شکل چندین قانون ساده و فهم پذیر از داده کشف شده و در آینده برای تصمیم گیری و پیشگویی به کار برده می شود. از مهمترین زمینـه هـای کـاربـردی استخـراج قـواعـد طبقـه بنـدی در حیطـه علـم پـزشکی است. با به کارگیری الگوریتم های داده کاو می توان سیستم های هوشمندی ابداع کرد که به شکل خودکار و بدون نیاز به نظارت پزشک قادر به فهم و تفسیر ویژگی های پزشکی افراد باشند یا اطلاعات مفیدی را اکتشاف کنند که متخصصان را در قضاوت صحیح یاری رساند. در ادبیات داده کاوی تا کنون مجموعه بسیار متنوعی از روش ها ارائه شده است که هر یک دارای نقاط ضعف و قدرت به خصوصی بوده که عملکرد آن بسته به نوع داده و شرایط حاکم بر مساله متفاوت است، بنابر این نمی تواند به تنهایی بهترین روش تلقی شود. در این روش بررسی، پیاده سازی و استفاده ترکیبی از الگوریتم ها و راهکار های گوناگون داده کاوی و ارائه روش های جدید و کارآمد تر به منظور پیش بینی و طبقه بندی پرداخته می شود. از روش های کلاسیک شناخته شده جهت کشف قواعد طبقه بنـدی مبتنـی بـر الگـوریتـم هـای تکاملی و ابزار های جستجو قدرتمند GA، PSO و IWOاستفاده می شود که به کارگیری الگوریتم بهینه سازی علف هرز (IWO) به منظور داده کاوی برای نخستین بار نوآوری این روش محسوب می شود. همچنین یک روش جدید و ابتکاری تلفیقی جهت استخراج قواعد طبقه بندی از شبکه عصبی RBFآموزش یـافتـه بـه کمـک الگـوریتم کلنی مورچه گان پیشنهاد شده است. در اعمال به چندین مجموعه داده مرجع برتری عملکرد کلیه الگوریتم های پیشنهادی در کشف اطلاعات مفید و استخراج قواعد طبقه بندی دقیق و تفسیر پذیر، نسبت به روش های کلاسیک به اثبات رسیده است. این روش ها توانسته اند داده های Wisconsinمربوط به بیماران مبتلا به سرطان را با دقت بالای 99% به درستی طبقه بندی کنند، هرچند طبقه بندی مجموعه داده های SPECT قلبی دشوار تر بوده و دقت از حدود 80% فراتر نرفته است.

داده کاوی در بهداشت و درمان

حوزه پزشکی و سلامت از بخش های مهم در جوامع صنعتی است. استخراج دانایی از میان حجم انبوه داده های مرتبط با سوابق بیماری و پرونده های پزشکی افراد با استفاده از فرایند داده کاوی می تواند منجر به شناسایی قوانین حاکم بر ایجاد، رشد و تسری بیماری ها شده و اطلاعات ارزشمندی را به منظور شناسایی علل رخداد بیماری ها، تشخیص، پیش بینی و درمان بیماری ها با توجه به عوامل محیطی حاکم در اختیار متخصصان و دست انداران حوزه سلامت قرار دهد. نتیجه این مساله به معنای افزایش عمر و ایجاد آرامش برای افراد جامعه است.

 

[caption id="attachment_988" align="aligncenter" width="540"] داده کاوی در پزشکی[/caption]

مهمترین خدمات قابل ارایه با استفاده از روش های داده کاوی

بررسی میزان تاثیر دارو بر بیماری و اثرات جانبی آن

تـشخیـص و پیـش بینـی انـواع بیمـاری هـا مانند تشخیص یا پیش بینی انواع سرطان

تعیین روش درمان بیماری ها

پیش بینی میزان موفقیت اقدامات پزشکی مانند اعمال جراحی

تـجــزیــه و تـحـلـیــل داده هــای مـوجـود در سیستم های اطلاعات سلامت (HIS)

تحلیل عکس های پزشکی

ساخت مدلی برای تعیین نوع درمان سنگ حالب با را هکار داده کاوی

داده کاوی (Data mining) مترادف با یکی از عــبــــارت هــــای اســتــخـــراج دانـــش، بـــرداشـــت اطلاعات، وارسی داده ها و حتی لایروبی کردن داده هـا اسـت کـه در حقیقت کشف دانش در پـایگاه داد ه ها Knowledge Discovery in Databases (KDD را توصیف می کند.

به طور ساده داده کاوی شامل استخراج دانش از حـجم عظیم داده ها می شود. البته عباراتی مانند کشف دانش از داده، استخراج دانش، آنالیز الگوها و لایروبی داده را نیز می توان معادل واژه داده کاوی به کار برد.

فـرایـنـد کـشـف دانـش دارای چـندین مرحله است که دقت در انجام هر کدام از این مراحل، روی کـیـفـیـت کـل فـرایند تاثیرگذار است . این مـراحـل عـبـارتـنـد از :1- فهم و تعریف مسئله : مرحله اول فهم حوزه کاری و مسئله ای است که سعی در پیدا کردن راه حل برای آن است درک کـامـل مـسـئـله پیش نیاز ضروری برای انتخاب روش مناسب داده کاوی و کشف دانش مفید از میان داده ها است.

2- جمع آوری و پیش پردازش داده ها: پیش پردازش داده ها خود شامل مراحلی است .

ایــن مــراحـل عـبـارتـنـد از: یـکـپـارچـه سـازی، حـذف نـویزها، مقابله با مقادیر مفقوده و تغییر شـکـل داده هـا، کـاهـش تعـداد داده هـا یـا تعـداد ویژگی ها و غیره.

3- داده کـاوی: مـرحـلـه سـوم هـمـان مـرحـلـه دادهکاوی است که با انجام آن الگوها و مدل های پنهان در میان داده ها استخراج می شود. در این مرحله باید نخست وظیفه داده کاوی و سپس روش داده کاوی را انتخاب کرد.

4- تفسیر و ارزیابی نتایج : مرحله چهارم شامل تفسیر نتایج به دست آمده از مرحله سوم است. لزوما نتایج به دست آمده از مرحله سوم قابل اطمینان نیستند و ممکن است بیانگر دانش مفید و قابل استفاده

نباشند. به همین خاطر باید این نتایج را به گونه ای ارزیابی کرد . برای ارزیابی مدل به دست آمده می توان در ابتدای امر، داده ها را به دو دسته آموزش (train) و آزمایش (test) تقسیم کرد، مدل را روی داده های آموزش ساخت و سپس نتایج به دست آمده را روی داده های تست آزمایش کرد و دقت مدل را محاسبه کرد.

استفاده از دانش کشف شده: مرحله آخر استفاده از دانش استخراج شده از داده ها به صورت عملی است. در حقیقت هدف از انجام مراحل مختلف کشف دانش، دست یابی به نتایجی است که بتوان از آن ها در دنیای واقعی و برای بهبود کارایی سازمان ها استفاده کرد . این دانش استخراج شده می تواند به عنوان یک سیستم کمک تصمیم در دنیای واقعی مورد استفاده قرار گیرد . داده کاوی روی داده های پزشکی از اهمیت بالایی برخوردار است و طراحی سیستم های کمک تصمیم جهت یاری رساندن به پزشکان در زمینه تشخیص نوع بیماری یا انتخاب نوع درمان مناسب، با کمک داده کاوی می تواند کمک شایانی در زمینه نجات جان انسان ها انجام دهد . یکی از اندام هایی که در بدن نقش اساسی و کلیدی ایفا می کند، کلیه است. انجام آزمایشات مناسب و انتخاب روش های درمانی مطلوب برای افرادی که به یکی از بیماری های کلیوی مبتلا هستند، بسیار حائز اهمیـت اسـت چـرا کـه کـوتـاهـی در درمـان بیمـاری های کلیوی می تواند منجر به از کارافتادگی سایر ارگان های بدن و در برخی موارد منجر به مرگ بیمار شود . یکی از بیماری های مربوط به کلیه، تشکیل سنگ کلیه در افراد است .

امروزه روش های درمانی مختلف برای برخورد با این بیماری وجود دارد اما انتخاب روش درمانی مناسب که علاوه بر آسیب رسانی کمتر به فرد، دارای خروجی مطلوب نیـز بـاشـد، کـاری پیچیـده اسـت . معمولا روش درمانی برای این بیماری با توجه به خصوصیات سنگ، انتخاب می شود که البته در بسیاری از موارد روش درمانی مناسب توسط پزشک برای بیمار انتخاب نمی شود. بدین جهت طراحی یک سیستم تصمیم یار جهت انتخاب نوع درمان سنگ کلیه با توجه به خصوصیات سنگ و بیمار و با کمک راهکار داده کاوی، می تواند به پزشکان در انتخاب درمان یاری رسان باشد.

هـمــزمــان بــا گستـرش و رشـد داده کـاوی و کـاربـردهـای آن در دهـه اخیـر، تـوجـه پژوهشگرانی از حوزه پزشکی و سلامت را به خود جلب کرده و به کارگیری آن در تحقیقات این حوزه روندی رو به تزاید پیدا کرده است.

روش بررسی

اطـلاعـات مربوط به بیماران از بیمارستان شهید هاشمی نژاد جمع آوری شده و کارهای مربوط به ساخت مدل (ورود داده ها، پیـش پـردازش و سـاخـت مـدل) در آزمـایشگـاه فناوری اطلاعات دانشگاه تربیت مدرسانجام شده است.

درخـت تصمیم (Decision Tree): یکی از روشهـای داده کـاوی روی پایگاه های داده، ساخت درخت تصمیم مربوط به داده ها است. درخت تصمیم یک ساختار درخت مانند دارد، در حـالـی کـه هر گره ورودی نشان دهنده یک امتحان روی یک ویژگی، هر شاخه خارج شده از آن گـره بـیـان کننده یکی از مقادیر ممکن برای همان ویژگی و برگ ها نشان دهنده کلاس ها هـسـتند. فرایند دسته بندی هر نمونه با امتحان ویـژگـی بـیـان شـده در گره ریشه شروع شده و سپس از شاخه های درخت با توجه به مقدار آن ویژگی پایین می آییم . سپس این فرایند با امتحان گره بعدی که در انتهای شاخه انتخاب شده قرار دارد، ادامه می یابد تا نهایتا به یک برگ برسیم . تـاکنون از درخت تصمیم به عنوان روش داده کـاوی جـهـت استخراج الگوهای نهان در داده های پزشکی، استفاده های زیادی شده است.

از آنجا که عملکرد این مدل، بهتر از عملکرد الـگـوریـتـم بـیـمـارسـتـانـی و مدل ذهنی پزشکان اسـت، از آن مـی تـوان بـه عـنـوان سیستم کمک تـصـمـیـم جـهـت تـعـیـیـن نوع درمان سنگ های حالب در بیمارستان استفاده کرد . با کمک این مـدل و بـا توجه به ویژگی های بیمار، پنج نوع درمــان مــوجـود در نـظـر گـرفـتـه شـده و درصـد موفقیت هر کدام از این درمان ها پیش بینی می شود. پزشک می تواند با توجه به میزان موفقیت هرکدام از درما ن ها، درمان مناسب را برای بیمار انـتـخـاب کنـد . در الگـوریتـم بیمـارستـان، بـرای انتخاب نوع درمان فقط دو ویژگی اندازه و مکان سنگ مهم است ، ولی در مدل ساخته شده سن بیمار نیز در تصمیم گیری موثر است. همچنین در الگوریتم بیمارستان برای سنگ های زیر 10 و بالای 10 میلی متر دو روش درمانی در نظر گرفته می شود، در صورتی که با توجه به مدل ساخته شده باید برای انتخاب نوع درمان، سنگ های بیشتر و کمتر از هفت میلی متر، بیشتر و کمتر از 11 میلی متر، بیشتر و کمتر از 13 میلی متر، بیشتر و کمتر از 20 و بیشتر و کمتر از 28 میلی متر را در نظر گرفت و با توجه به این اندازه نوع درمان را تعیین کرد.

تحقیق ها در زمینه داده کاوی

 

1-کـاربـرد داده کاوی در روش های ART درمان ناباروری

افـــزایـــش روزافـــزون پــیــشـــرفـــت در زمــیـنــه تــکــنـــولـــوژی اطـــلاعــات، بــاعــث ایـجــاد رشــد چـشـمگـیـری در عـلـوم شده است. یکی از این رشــتـــه هـــا، عــلــم پــزشـکــی اســت. اسـتـفــاده از تـکـنـیـکهـای دادهکـاوی در ایـن شـاخه از علم موجب شده که در کلیه مباحث، به خصوص بـحـث نـابـاروری بـتـوان سـیـسـتم های پزشکیار طـراحـی کـرد. عـوامـل مـخـتـلـفـی مـوجـب بـروز نـاباروری میشود که میتوان آنها را به طور کلـی بـه دو دستـه تقسیـم کـرد: عوامل مردانه و عوامل زنانه که هر کدام فاکتور های زیادی را شامل میشوند و درمان خاص خود را دارند. روشهای درمانی از جمله IUI، IVF و غیره در این حوزه استفاده میشود. در این تحقیق سعی بر این است تا با استفاده از تحلیلهای دادهکاوی روشهای غیرنظارتی، به تحلیل دادههای این حــوزه پــرداخـتــه شـود تـا بتـوان بـه پـزشکـان در تصمیمگیری جهت درمان بیماران کمک کرد.

2-کاربرد داده کاوی در بیماریهای قلبی و عروقی

رشد چشمگیر بیماریهای قلبی و عروقی و اثرات و عوارض آن ها و هزینههای بالایی که بر جامعه وارد میکند، باعث شده که جامعه پزشکی به دنبال برنامه هایی جهت بررسی بیشتر، پیشگیری، شناسایی زود هنگام و درمان موثر آن باشد. از اینرو با استفاده از دادهکاوی و کشف دانش در سیستم مراکز قلب و عروق میتوان دانش ارزشمند را ایجاد کرد که این دانش کشف شده میتواند باعث بهبود کیفیت سرویس به وسیله مدیران مرکز شود و همچنین میتواند به وسیله پزشکان استفاده شود تا رفتار آینده بیماران قلبی و عروقی از روی سابقه داده شده پیش بینی کنند و نیز تشخیص بیماری قلبی از روی ویژگیهای گوناگون و نشانهها، ارزیابی فاکتورهای ریسکی که باعث افزایش حمله قلبی می شود از مهمترین کاربردهای داده کاوی و کشف دانش در سیستم بیماران قلبی و عروقی است

منابع

1-سیـد علیـرضـا کاج آبادی ؛ محمد حسین سرایی ؛ صدیقه عسگری، داده کاوی پزشکی :راهکاری جهت کشف روابط بین عوامل خطرزای قلبی، .artificial.ir

2- علی اکبر خاصه، داده کاوی، متن کاوی، و وب کاوی :تعاریف و کاربردها

3-نازلی خیرابی، حمید ، داده کاوی ویژگی های پزشکی بیماران به هدف تشخیص خودکار با استفاده از الگوریتم های هوشمند

4sites.google.com/site/daychegroup-

5- محمدمهدی سپهری، پریسا رهنما، پژمان شادپور، بابک تیمورپور، ساخت مدلی بـرای تعیین نوع درمان سنگ حالب با را هکار داده کاوی، مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران، دوره 67 ،شماره 6، شهریور 1388