تشخيص ابتلا به بيماري همه گير بااستفاده از آزمايش گروهي از طريق GCHMM مشاهده شده جزيي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

بيماري‌هاي همه‌گير هر ساله تلفات جاني و مالي بسياري‌را به جوامع تحميل‌ مي‌كنند. براي كاهش اين تلفات، پيش‌بيني وضعيت همه‌گيري امري مهم و ضروي است. بيماري‌هايي كه واگيري بالايي دارند اگر كنترل ‌نشوند، مي‌توانند منجر به همه‌گيري شوند. بيماري آنفولانزا يكي از اين بيماري‌ها است كه در فصل سرما شيوع پيدا‌مي‌كند. در سال‌هاي اخير نمونه‌هاي جديدي از اين بيماري پيدا شده‌است كه نسبت به نمونه‌هاي قبل، واگيري بيشتري ‌دارند و خطرناك‌تر هستند. علاوه بر ‌اين اخيراً بيماري‌هاي ويروسي ديگري ظاهر‌شده‌اند كه همه‌گيري آن‌ها مي‌تواند منجر به مرگ تعداد زيادي از بيماران شود. به‌عنوان مثال ابولا در آفريقا قبل از اين‌كه كاملاً كنترل‌ شود، گسترش پيدا‌كرد و منجر به تلفات انساني زيادي شد. به‌عنوان يك مثال ديگر، همه‌گيري كرونا مسئله‌اي است كه طي حدود دو سال اخير، كل كشورهاي دنيا را درگير خود كرده‌است. پيش‌بيني وضعيت اين همه‌گيري امري مهم و لازم، در تصميم‌گيري‌هاي مربوطه براي كنترل شيوع اين ويروس است. اين امر انگيزه‌اي شد كه به ‌بررسي مسئله‌ي پيش‌بيني روند همه‌گيري و چالش‌هاي آن بپردازيم. اكثر كارهاي انجام شده‌ي قبلي در ‌اين زمينه، يا به بررسي روند شيوع بيماري همه‌گير در سطح جمعيت مي‌پردازند و يا اگر به‌ بررسي شيوع بيماري در سطح فردي تمركز‌ دارند، علاوه‌بر بهره‌گرفتن از طيف وسيعي از داده، معمولاً به‌ همكاري افراد تحت بررسي، در ‌جمع‌آوري بخشي از داده نيازمند ‌هستند. در شرايط همه‌گيري براي غربالگري سريع افراد، پيش از گسترش وسيع بيماري، به روش‌هاي تشخيصي آزمايشگاهي دقيق نياز است. در ابتدا اين روش‌ها علاوه‌بر هزينه، در مقايسه با سرعت شيوع بيماري زمان‌بر هستند. يك راهكار براي تسريع در امر تشخيص آزمايشگاهي استفاده از آزمايش گروهي است. به منظورگروه‌بندي لازم براي آزمايش گروهي، افراد هم‌اتاقي يا افرادي كه در يك خانه باهم زندگي مي‌كنند را به‌عنوان گروه در نظر مي‌گيريم. باتوجه به شرايط همه‌گيري و دردسترس بودن امكانات آزمايشگاهي لازم، آزمايش گروهي در فواصل زماني متفاوتي انجام ‌مي‌شود. اين امر منجر به وجود گم‌شدگي در داده‌هاي مربوط به نتايج آزمايش گروهي مي‌گردد. در اين پژوهش تنها با داشتن داده‌هاي خلوت، شامل نتيجه‌ي آزمايش گروهي بيماري، با درنظرگرفتن خانواده به‌عنوان گروه و هم‌چنين داشتن اطلاعات تماس‌هاي بين افراد، به‌ارائه‌ي تخميني از احتمال ابتلاي هر يك از افراد جامعه‌ي تحت بررسي در هر زمان، بااستفاده از الگوريتم نمونه‌گيري گيبز (Gibbs sampling) مي‌پردازيم. با‌توجه به اين امر كه تخمين ابتلا به بيماري براي يك زمان مشخص، يك مسئله‌ي بررسي سري‌هاي زماني است، پس از مروري بر مدل‌هاي مطرح در بررسي سري‌هاي زماني و مروري بر دو روش پايه‌‌ي SIS و SIR در بررسي همه‌گيري به مطالعه‌ي مدل‌هاي ماركوف مي‌پردازيم. در ‌روش پيشنهادي، بااستفاده از مدل‌هاي مخفي ماركوف متصل(CHMM) ارتباطات بين افراد را مدل ‌مي‌كنيم و از نتايج آزمايش گروهي به‌عنوان مشاهدات مدل استفاده مي‌كنيم. در ‌ادامه با‌انجام آزمايشات گوناگون بر ‌روي داده‌ي شبيه‌سازي، برگرفته از مجموعه‌داده‌ي تغييرات اجتماعي(Social Evolution) به‌بررسي عملكرد روش پيشنهادي مي‌پردازيم. نتايج حاصل از اين آزمايشات حاكي ‌از‌ آن ‌است‌كه با‌وجود گمشدگي زياد در داده، روش پيشنهادي در ‌مقايسه با مدل‌هاي پايه هم‌چون SVM عملكرد بهتري دارد. به‌عنوان كاربرد، روش پيشنهادي براي افزايش دقت نتايج آزمايش گروهي و هم‌چنين روشي براي غربال‌گري اوليه‌ي افراد جهت استفاده‌ي بهينه از روش‌هاي تشخيص آزمايشگاهي مي‌تواند مورد استفاده قرار گيرد.

215761

هوش مصنوعي

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان

پوريا رمضي

مهران صفاياني، فرزانه شايق

مسعودرضا هاشمي، زينب مالكي