الفهرس 
IntroductionOnly 14 pages are availabe for public view
 |  | from | 105 |  |  |
| | | from | 105 | | |
Abstract
تلعب أنظمة دعم القرار السريري ) Clinical Decision Support Systems ( دوراً هاماً في المجال
الطبي. في الآونة الأخيرة ، هناك العديد من نظم دعم القرار السريرى التي تعتمد على مجموعة متنوعة من
تقنيات استخراج البيانات. ومع ذلك ، يمكن أن يكون تعدين بيانات الرعاية الصحية محدودًا بسبب إمكانية
الوصول إلى البيانات ، لأن المدخلات الأولية اللازمة لعملية التنقيب عن البيانات غالباً ما توجد في أوضاع
ونظم مختلفة ، مثل نظم الإدارة و نظم العيادات و نظم المختبرات وأكثر من ذلك. ومن ثم ، يجب جمع
البيانات ودمجها قبل القيام بعمليات التنقيب عن البيانات. علاوة على ذلك ، فانه يتم تصميم وبناء نظام دعم
القرار السريرى لتشخيص او اكتشاف مرض محدد. ولذلك نجد ان هناك ضرورة لتطوير نظام يمكن
استخدامه لتشخيص أو اكتشاف أي مرض بشرط توافر البيانات اللازمة لعملية التدريب. نحو بناء نظام عام
لدعم القرار السريرى ، تم تقييم عدد من طرق التصنيف المعروفة فى مجال التنقيب عن البيانات في تشخيص
الأمراض ، بما في ذلك j48 ، Naïve Bayes ، Multilayer Perceptron و Random Forest
باستخدام مجموعة بيانات طبية قياسية. تمت مقارنة أداء أساليب التصنيف المختلفة باستخدام عدد من مقاييس
الأداء. وقد أظهرت النتائج التجريبية تفوق المصنف القائم على طريقة ال Random Forest فيما يتعلق
بجميع مقاييس الأداء مع دقة تصنيف 86 %.علاوة على ذلك ، تم تصميم وتنفيذ نظام عام لدعم القرار
السريري لتشخيص الأمراض. يستخدم النظام المقترح أنطولوجيا OWL لتمثيل البيانات الطبية. كما أنه
يحتوي على مصنف هجين ) ensemble random forest classifier ( والذى يعتمد على خوارزمتى
C4.5 وخوارزميات Random Forest . يتم تقييم أداء النظام المقترح باستخدام عدد من مقاييس الأداء ،
وهي الحساسية Sensitivity) ( والنوعية (Specificity) والإحكام (Precision) والدقة (Accuracy)
ومقارنتها بعدد من طرق تصنيف استخراج البيانات بما في ذلك J48 و Naïve Bayes و Random Forest . أظهرت النتائج التجريبية أن أداء المصنف المقترح أفضل فيما يتعلق بجميع مقاييس الأداء بحساسية
94% ، ونوعية 94.2 % ، وإحكام 96 % ودقة 97.5