یکی از مهم ترین دارایی های سازمان های سلامت در عصر کنونی، وجود داده های فراوان ثبت شده در پرونده های پزشکی بیماران است. این سازمان ها برای استفاده از این دارایی ارزشمند نیاز به تحلیل داده ها دارند. یکی از مهم ترین ابزارهای تحلیل این داده ها دانش داده کاوی است که به تازگی موردتوجه فعالان حوزه سلامت قرار گرفته است. هدف داده کاوی به دست آوردن دانش مفید و استخراج الگوهای پنهان داده های موجود است. داده کاوی می تواند در بخش های مختلف پزشکی و برای اهداف مختلفی مانند تشخیص، در مان و... بیماری های مختلف مورداستفاده قرار گیرد. یکی از مهم ترین بیماری های تنفسی که می-تواند موردتوجه قرار گیرد، بیماری آسم است که هرساله باعث خسارات فراوان جانی و مالی در سراسر دنیا می شود؛ بنابراین بهبود اقدامات کنترلی و درمانی با ابزار های کارآمدتری همچون داده کاوی یک نیاز اساسی است. در این پژوهش اطلاعات 442 بیمار زیر شش سال مراجعه کننده به بیمارستان طبی کودکان واقع در تهران (ایران) در دو بخش، برای پیش بینی سطوح کنترل بیماری و گروه بندی بیماران، با استفاده از دو گروه تکنیک دسته بندی و خوشه بندی، مورد بررسی قرار گرفت. بعد از شناخت کامل داده ها، اقدامات مربوط به پیش پردازش داده ها انجام گرفت و درنهایت 91 ویژگی برای مرحله مدل سازی انتخاب شد. در مرحله بعد با استفاده از هفت نوع الگوریتم دسته بندی، پیش بینی سطوح کنترل بیماری در دو سطح کنترل کامل و کنترل نشده، با چهار رویکرد متفاوت انجام شدو در نهایت برای خوشه بندی داده ها از سه الگوریتم استفاده شد. نتایج به دست آمده در بخش دسته بندی نشان می دهد که الگوریتم ادابوست و درخت تصمیم هم در سطح کنترل کامل و کنترل نشده دارای عملکرد بهتری هستند. همچنین بررسی ها نشان می دهد که فرایند انتخاب مشخصه کمک بسیار زیادی در بهبود نتایج الگوریتم های دسته بندی داشته است. در بخش خوشه بندی نیز مشخص گردید که استفاده از تمام ویژگی ها، نتایج مناسبی را ارائه نمی دهد؛ بنابراین نیاز است این کار طی مراحل چندین مرحله و با ویژگی های مختلف تکرار شود.
