تشخیص عوامل موثر بر سطح سواد سلامت بزرگسالان با استفاده از الگوریتم فراابتکاری

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه علوم کامپیوتر، دانشکده علوم پایه، دانشگاه بجنورد، بجنورد، ایران

2 گروه کامپیوتر، دانشکده علوم پایه و فنی، دانشگاه کوثر، بجنورد ، ایران

3 دانشیار، عضو هیات علمی گروه آموزش و بهداشت، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران

10.22038/jhl.2020.44764.1089

چکیده

زمینه و اهداف : سواد سلامت یک شاخص جهانی در تعیین میزان سواد افراد جامعه در حوزه سلامت فردی و اجتماعی است. برای بهبود سلامت در یک جامعه، اندازه‌گیری و شناسایی عوامل موثر در میزان سواد سلامت امری ضروری است. هدف از انجام این مطالعه تشخیص و تعیین عوامل موثر بر سطح سواد سلامت بزرگسالان با استفاده از یک الگوریتم فراابتکاری می باشد.

مواد و روش‌ها: در این مقاله، از یک مدل ترکیبی با استفاده از الگوریتم ‌بهینه‌سازی خفاش و الگوریتم‌های یادگیری ماشین برای تعیین عوامل موثر بر سواد سلامت بزرگسالان استفاده شده ‌است. در این مدل، الگوریتم‌های ماشین بردار پشتیبان و الگوریتم K-نزدیکترین همسایه برای دسته‌بندی داده‌ها به‌کار برده شده است. مجموعه داده مورد استفاده از یک مطالعه توصیفی-تحلیلی که برای سنجش میزان سلامت بزرگسالان در استان خراسان جنوبی در سال 1396 بر روی 2133 نمونه انجام شده، استخراج شده است.

نتایج: در این مطالعه، الگوریتم ترکیبی بهینه‌سازی خفاش و الگوریتم K-نزدیکترین همسایه با %93.76 صحت و %95.47 دقت توانسته است عوامل موثر در سطح سواد سلامت بزرگسالان را شناسایی نماید. همچنین از الگوریتم ترکیبی بهینه‌سازی خفاش و ماشین بردار پشتیبان با %96.25 صحت و %97.99 دقت نتیجه بهتری حاصل شده است. نتایج تحلیلی نشان می‌دهد که دو حیطه دسترسی به منابع و استفاده از منابع در پایین بودن سطح سواد سلامت بزرگسالان استان خراسان جنوبی تاثیرگذار ‌است.

نتیجه گیری: با توجه به عملکرد هوشمندانه مدل پیشنهادی می‌توان از این ابزار برای تحلیل داده‌های مربوط به سواد سلامت بزرگسالان استفاده نمود. این ابزار فاقد نیاز به تحلیل‌های آماری است و می‌تواند با سرعتی مناسب، نتایجی با دقت بالا در اختیار متخصصان قرار دهد.

کلیدواژه‌ها


1. Lael-Monfared E, Tehrani H, Moghaddam ZE, Ferns GA, Tatari M, Jafari A. Health literacy, knowledge and self-care behaviors to take care of diabetic foot in low-income individuals: Application of extended parallel process model. Diabetes & Metabolic Syndrome: Clinical Research & Reviews. 2019;13(2):1535-41.

https://doi.org/10.1016/j.dsx.2019.03.008

PMid:31336518

 

2. Kickbusch I, Pelikan JM, Apfel F, Tsouros AD, World Health Organization, editors. Health literacy: the solid facts. Copenhagen: World Health Organization Regional Office for Europe; 2013. 73 p. (The solid facts).

 

3. Ahmadzadeh sani t, Vahedian-Shahroodi M, Tehrani H, Esmaily H. Relationship between health literacy and nutrition among middle-aged women. Journal of Health Literacy. 2019;3(4):9-15.

 https://doi.org/10.22038/jhl.2019.36772.1019

 

4. Khaleghi M, Amin Shokravi F, Peyman N. The Relationship Between Health Literacy and Health-Related Quality of Life in Students. Iranian Journal of Health Education and Health Promotion. 2019;7(1):66-73.

https://doi.org/10.30699/ijhehp.7.1.66

 

5. Kaestle CF, Campbell A, Finn JD, Johnson ST, Mikulecky LJ. Adult Literacy and Education in America. Natl Cent Educ Stat Adult Lit Educ Am. 1999;288.

 

6. Domadiya N, Rao UP. Privacy Preserving Distributed Association Rule Mining Approach on Vertically Partitioned Healthcare Data. Procedia Comput Sci. 2019;148:303-12.

https://doi.org/10.1016/j.procs.2019.01.023

 

7. Patel S, Patel H. Survey of Data Mining Techniques used in Healthcare Domain. Int J Inf Sci Tech. 2016 Mar 31;6(1/2):53-60.

https://doi.org/10.5121/ijist.2016.6206

 

8. vapnik A, Chervonenkis A. The necessary and sufficient conditions for consistency in the empirical risk minimization method. Pattern Recognit Image Anal. 1991;1(3):283-305.

 

9. Zhang J, Tittel FrankK, Gong L, Lewicki R, Griffin RJ, Jiang W, et al. Support Vector Machine Modeling Using Particle Swarm Optimization Approach for the Retrieval of Atmospheric Ammonia Concentrations. Environ Model Assess. 2015;21(4).

https://doi.org/10.1007/s10666-015-9495-x

 

10. Mandal I. SVM-PSO based Feature Selection for Improving Medical Diagnosis Reliability using Machine Learning Ensembles. In: Computer Science & Information Technology (CS & IT) [Internet]. Academy & Industry Research Collaboration Center (AIRCC); 2012 [cited 2019 Jun 14]. p. 267-76.

https://doi.org/10.5121/csit.2012.2326

PMid:22683053

 

11. Huang T-M, Kecman V, Kopriva I. Kernel Based Algorithms for Mining Huge Data Sets. Springer Berlin Heidelberg; 2006. 267 p.

 

12. Du J, Liu Y, Yu Y, Yan W. A Prediction of Precipitation Data Based on Support Vector Machine and Particle Swarm Optimization (PSO-SVM) Algorithms. Algorithms. 2017 May 17;10(2):57.

https://doi.org/10.3390/a10020057

 

13. Yang X-S. A New Metaheuristic Bat-Inspired Algorithm. In: González JR, Pelta DA, Cruz C, Terrazas G, Krasnogor N, editors. Nature Inspired Cooperative Strategies for Optimization (NICSO 2010) [Internet]. Berlin, Heidelberg: Springer Berlin Heidelberg; 2010 [cited 2019 Jun 14]. p. 65-74. Available from: http://link.springer.com/10.1007/978-3-642-12538-6_6

 

14. Diao R, Chao F, Peng T, Snooke N, Shen Q. Feature Selection Inspired Classifier Ensemble Reduction. IEEE Trans Cybern. 2014 Aug;44(8):1259-68.

https://doi.org/10.1109/TCYB.2013.2281820

PMid:24108493

 

15. Krishnapuram B, Harternink AJ, Carin L, Figueiredo MAT. A Bayesian approach to joint feature selection and classifier design. IEEE Trans Pattern Anal Mach Intell. 2004 Sep;26(9):1105-11.

https://doi.org/10.1109/TPAMI.2004.55

PMid:15742887

 

16. Guodong Guo, Dyer CR. Simultaneous feature selection and classifier training via linear programming: a case study for face expression recognition. In: 2003 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2003 Proceedings [Internet]. Madison, WI, USA: IEEE Comput. Soc; 2003 [cited 2020 Jan 13]. p. I-346-I-352. Available from: http://ieeexplore.ieee.org/document/1211374/

 

17. Koumi F, Aldasht M, Tamimi H. Efficient Feature Selection using Particle Swarm Optimization: A hybrid filters-wrapper Approach. In: 2019 10th International Conference on Information and Communication Systems (ICICS) [Internet]. Irbid, Jordan: IEEE

https://doi.org/10.1109/IACS.2019.8809133

 

18. Sindhu R, Ngadiran R, Yacob YM, Hanin Zahri NA, Hariharan M, Polat K. A Hybrid SCA Inspired BBO for Feature Selection Problems. Math Probl Eng. 2019 Apr 2;2019:1-18.

https://doi.org/10.1155/2019/9517568

 

19. Alam WU. Improved Binary Bat Algorithm for Feature Selection. Abo Akademi University; 2019.

 

20. Taha AM, Mustapha A, Chen S-D. Naive Bayes-Guided Bat Algorithm for Feature Selection. Sci World J. 2013; 2013:1-9.

https://doi.org/10.1155/2013/325973

PMid:24396295

PMCid:PMC3874950

 

21. Nakamura RYM, Pereira LAM, Costa KA, Rodrigues D, Papa JP, Yang X-S. BBA: A Binary Bat Algorithm for Feature Selection. In: 2012 25th SIBGRAPI Conference on Graphics, Patterns and Images [Internet]. Ouro Preto, Brazil: IEEE

https://doi.org/10.1109/SIBGRAPI.2012.47

PMid:21383680

 

22. Marimwe C, Dowse R. Health literacy test for limited literacy populations (HELT-LL): Validation in South Africa. Mo P, editor. Cogent Med [Internet]. 2019 Aug 8 [cited 2020 Jan 9];6(1).

https://doi.org/10.1080/2331205X.2019.1650417

 

23. Rademakers J, Heijmans M. Beyond Reading and Understanding: Health Literacy as the Capacity to Act. Int J Environ Res Public Health. 2018 Aug 7;15(8):1676.

https://doi.org/10.3390/ijerph15081676

PMid:30087254

PMCid:PMC6121645

 

24. Schrauben SJ, Wiebe DJ. Health literacy assessment in developing countries: a case study in Zambia. Health Promot Int. 2015 Dec 10; dav108.

https://doi.org/10.1093/heapro/dav108

PMid:26660155

 

25. Mohammadi Z, Banihashemi AT, Asgharifard H, Bahramian M, Baradaran HR, Khamseh ME. Health literacy and its influencing factors in Iranian diabetic patients. Med J Islam Repub Iran. 2015;29:6.

 

26. Zareban I, Izadirad H, Jadga K. Evolution of health status and health services utilization in women in Baluchistan region of Iran. J Health Lit. 2016;1(2):71-82.

https://doi.org/10.20286/jech-02036

 

27. Dadipoor S, Ramezankhani A, Aghamolaei T, Rakhshani F, Safari-Moradabadi A. Evaluation of health literacy in the Iranian population. Health Scope. 2018;7(3):e62212.

https://doi.org/10.5812/jhealthscope.62212

 

28. Kandula S, Ancker JS, Kaufman DR, Currie LM, Zeng-Treitler Q. A new adaptive testing algorithm for shortening health literacy assessments. BMC Med Inform Decis Mak. 2011 Dec;11(1):52.

https://doi.org/10.1186/1472-6947-11-52

PMid:21819614 PMCid:PMC3178473