بهر‌ه‌مندی از روش‌های یادگیری ماشین در معرفی زیرگروه‌های متمایز برای بیماران اختلالات عملکردی گوارشی کمک‌کننده می‌باشد.

اختلالات عملکردی گوارشی، به عنوان سندرم‌های بدون شاخص ساختاری یا پاتوفیزیولوژیک، در حال حاضر بر اساس پرسشنامه‌های علائم گوارشی مورد اجماع متخصصین شناسایی می‌شوند. با این حال، وجود همپوشانی بین این اختلالات و بی‌توجهی به عوامل مرتبط دیگر، شناسایی عوامل زمینه‌ای را به چالش می‌کشد. هدف از این مطالعه، خوشه بندی اختلالات عملکردی گوارشی با استفاده از روش‌های خوشه‌بندی چند دیدگاهی بود. در مرحله اول یک چارچوب نوین سنجش فاصله مبتنی بر انتروپی با قابلیت برآورد همزمان اطلاعات درون و بین انواع متغیرها در داده‌های ترکیبی توسعه یافت. پس از اثبات کارآمدی روش پیشنهادی بر داده‌های استاندارد، نتایج کاربرد آن بر مجموعه داده سپاهان، بمنظور خوشه‌بندی اختلالات گوارشی مورد آزمون قرار گرفت. همچنین نتایج حاصل از اعمال روش‌های چند دیدگاهی با درنظر گرفتن دیدگاه‌های مختلف از نظر انواع متغیر، موقعیت آناتومیکی، اضافه شدن متغیرهای تغذیه و علائم جسمانی علاوه بر مجموعه داده سپاهان بر یک مجموعه داده جهانی ارزیابی شد. نتایج تحقیق نشان داد، خوشه‌بندی بیماران دارای اختلالات عملکردی گوارش، با وارد کردن متغیرهای روان شناختی علاوه بر متغیرهای گوارش با موفقیت بالاتری در ایجاد خوشه‌های متمایز همراه است.

کلیدواژه ها: خوشه بندی | اختلالات عملکردی گوارشی | متغیرهای تغذیه |

گروه مخاطب: سیاستگذاران درمانی

مشخصات طرح مرتبط:

عنوان پروژه: خوشه بندی اختلالات عملکردی گوارشی با استفاده از روش‌های خوشه‌بندی چند دیدگاهی

مجری اصلی: محمدرضا صحتی   |   همکاران: الهه موسوی، احمد واعظ، پیمان ادیبی، عمارحسن‌زاده کشتلی   |   تاریخ اتمام طرح: 1402/6/5   |   کد طرح: ۳۹۸۱۰۰۰

English article: A generalized multi-aspect distance metric for mixed-type data clustering