شناسایی عوامل مؤثر و پیش‌بینی بیماری خشکی چشم با استفاده از الگوریتم‌های داده‌کاوی در محیط RapidMiner

چکیده

خشکی چشم یکی از شایع‌ترین بیماری‌های سطح چشم است که به دلیل ماهیت چندعاملی و علائم متنوع، تشخیص آن همواره با چالش همراه بوده است. افزایش استفاده از وسایل دیجیتال، تغییر سبک زندگی و عوامل محیطی موجب افزایش شیوع این بیماری در سال‌های اخیر شده است. ازاین‌رو، استفاده از روش‌های هوشمند برای پیش‌بینی و تشخیص زودهنگام بیماری می‌تواند نقش مهمی در کاهش عوارض و کمک به تصمیم‌گیری پزشکان داشته باشد. هدف از این پژوهش، مقایسه عملکرد الگوریتم‌های داده‌کاوی در پیش‌بینی بیماری خشکی چشم با استفاده از داده‌های بالینی و دموگرافیک بیماران در محیط RapidMiner است. در این مطالعه از مجموعه‌داده Dry Eye Disease شامل ۲۰۰۰۰ نمونه و ۲۶ ویژگی استفاده شد. پس از انجام مراحل پیش‌پردازش شامل بررسی داده‌های گمشده، حذف داده‌های پرت و انتخاب ویژگی، چهار الگوریتم Decision Tree، Random Forest، K-Nearest Neighbor  و Gradient Boosted Trees پیاده‌سازی شدند. عملکرد مدل‌ها با استفاده از معیارهای Accuracy، Precision و Recall مورد ارزیابی قرار گرفت. نتایج نشان داد که ویژگی‌های قرمزی و احساس خارش در چشم بیشترین تأثیر را در پیش‌بینی بیماری خشکی چشم دارند. همچنین  الگوریتم Random Forest با دقت 68/68 درصد نسبت به سایر الگوریتم‌های بررسی‌شده عملکرد بهتری در پیش‌بینی بیماری ارائه کرده است. یافته‌های پژوهش نشان می‌دهد که روش‌های داده‌کاوی می‌توانند به عنوان ابزاری مناسب در غربالگری اولیه و توسعه سامانه‌های پشتیبان تصمیم در حوزه چشم‌پزشکی مورد استفاده قرار گیرند.