صادق سلیمانی

هدف: اعتیاد به نیکوتین یکی از بزرگترین چالش‌های بهداشت عمومی است که میلیون‌ها نفر را در سراسر جهان تحت تأثیر قرار می‌دهد. این مطالعه به بررسی تأثیر ویژگی‌های گرافی بر پیش‌بینی اعتیاد به نیکوتین می‌پردازد و به دنبال ارتقاء دقت پیش‌بینی و شناسایی الگوهای پیچیده مصرف نیکوتین است. بیان مسئله: با توجه به شیوع گسترده اعتیاد به نیکوتین و پیامدهای جدی بهداشتی آن، نیاز به مدل‌های پیش‌بینی دقیق ضروری است. روش‌های سنتی اغلب به اطلاعات جمعیت‌شناختی مبتنی هستند و قادر به شناسایی الگوهای پیچیده رفتاری نیستند. تحلیل شبکه به ما این امکان را می‌دهد تا روابط و تعاملات بین مصرف کنندگان را درک کنیم. روش بررسی: این تحقیق از مجموعه‌ داده‌های مصرف مواد مخدر (1885=n) UCI استفاده کرد. [۱] ابتدا اطلاعات مربوط به نیکوتین در قالب یک مشکل کلاسی گنجانده شد، و سپس گراف‌های جداگانه‌ای برای دو گروه ایجاد شد: مصرف کنندگان نیکوتین و افرادی که نیکوتین مصرف نمی‌کنند. ویژگی‌های گرافی از این دو گراف استخراج شده و به داده‌های اصلی افزوده شد. این ویژگی‌ها شامل ۷ اندازه گیری مرکزیت نظیر درجه، بینابینی و نزدیکی بودند. در نهایت، چندین مدل یادگیری ماشین شامل رگرسیون لجستیک، جنگل تصادفی و MLP برای تحلیل داده‌ها به کار گرفته شدند. یافته‌ها: مدل رگرسیون لجستیک با دقت ۰۰۹۸۵۹۶۴ و AUC برابر با ۰.۹۹۹۰۱۵ بهترین عملکرد را داشت. شکل ۱، مقایسه دقت مدل رگرسیون لجستیک ما را با دو مقاله رقیب نشان می‌دهد. نتایج Almahmood et al. که دقت ۷۷.۰۲ دارد و Siddiqui (2024) [۲] (2023) [۳] که دقت ۷۴.۳۸ را گزارش کرده‌اند، در مقایسه با نتایج ما قابل توجه هستند. نتیجه‌گیری: این مطالعه نشان می‌دهد که ادغام تحلیل شبکه با الگوریتم‌های یادگیری ماشین می‌تواند دقت پیش‌بینی اعتیاد به نیکوتین را به طرز قابل توجهی بهبود بخشد. این نتایج برای طراحی مداخلات هدفمند به پزشکان و مسئولین بهداشتی اطلاعات ارزشمندی ارائه می‌دهد. . کلیدواژه‌ها: پیام کلیدی: تحلیل شبکه و یادگیری ماشین، ابزارهای نوینی برای بهبود پیش‌بینی اعتیاد به نیکوتین هستند که می‌توانند به طراحی مداخلات بهداشتی مؤثر کمک کنند.