Identifying risk factors for adverse diseases using dynamic rare association rule mining

افزایش میزان مرگ و میر ناشی از بیماری های خطرناک زندگی تبدیل به یک مسئله ای در جهان امروز می شود. بنابراین تشخیص زودهنگام و تشخیص بیماری ها ضروری است تا شدت عوارض جانبی آنها کاهش یابد. تکنیک های هوش مصنوعی مانند استخراج قوانین انجمن نادر می تواند به طور گسترده ای برای تجزیه و تحلیل بیماری ها مورد استفاده قرار گیرد. این مقاله یک روش کارآمد برای شناسایی علائم و عوامل خطر برای سه بیماری نامطلوب است: بیماری قلبی عروقی، هپاتیت و سرطان پستان از نظر قوانین ارتباط نادر است. تحقیقات موجود در زمینه معادن قوانین نادر، مبتنی بر مفهوم است که تمام داده های مورد استفاده در هنگام شروع فرایند استخراج، در دسترس است. پایگاه های پزشکی در عمل ممکن است با توجه به اضافه کردن رکوردهای جدید یا حذف رکوردهای قبلی، تغییر کند. علاوه بر این، هنگامی که پایگاه داده به روز می شود، کاربر می تواند به یک آستانه جدید برای تولید مجموعه دلخواه از قوانین ارتباط نادر تبدیل شود. یک راه حل ساده و بی عیب و نقص برای تولید مجموعه فعلی قوانین ارتباط نادر، این است که تمام الگوریتم معدن را از ابتدا، برای هر یک از تعدادی از داده ها و آستانه به روز شده مجددا اجرا کنید. الگوریتم پیشنهاد شده در این مطالعه قادر به تولید مجموعه ای از قوانین ارتباط نادر از پایگاه داده های پزشکی به روز شده در اسکن یک پایگاه داده بدون مجددا اجرای کل فرآیند معدن است. این می تواند به طور موثر رسیدگی به موارد ورود و حذف معامله و همچنین انعطاف پذیری را برای کاربر برای تولید مجموعه جدیدی از قوانین انجمن نادر زمانی که آستانه به روز شود. تحلیلی تجربی نشان دهنده اهمیت رویکرد پیشنهادی نسبت به رویکرد سنتی به طور مکرر کاوش کل پایگاه داده به روز شده است.