دوره 76، شماره 12 - ( اسفند 1397 )                   جلد 76 شماره 12 صفحات 831-827 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Kalhor R, Mortezagholi A, Naji F, Shahsavari S, Zakaria Kiaei M. Designing an intelligent system for diagnosing type 2 diabetes using the data mining approach: brief report. Tehran Univ Med J 2019; 76 (12) :827-831
URL: http://tumj.tums.ac.ir/article-1-9421-fa.html
کلهر روح‌اله، مرتضی‌قلی اصغر، ناجی فاطمه، شهسواری سعید، زکریا کیایی محمد. طراحی سیستم هوشمند برای تشخیص بیماری دیابت با استفاده از رویکرد داده‌کاوی: گزارش کوتاه. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1397; 76 (12) :827-831

URL: http://tumj.tums.ac.ir/article-1-9421-fa.html


1- مرکز تحقیقات عوامل اجتماعی موثر برسلامت، دانشگاه علوم پزشکی قزوین، قزوین، ایران.
2- گروه هوش مصنوعی، رایانه و فناوری اطلاعات، دانشکده برق، دانشگاه آزاد اسلامی قزوین، قزوین، ایران.
3- گروه اپیدمیولوژی، دانشگاه علوم پزشکی قزوین، قزوین، ایران.
4- مربی آمار زیستی، مرکز تحقیقات ایمنی محصولات بهداشتی، دانشگاه علوم پزشکی قزوین، قزوین، ایران.
5- مربی گروه مدیریت خدمات بهداشتی و درمانی، دانشکده بهداشت، دانشگاه علوم پزشکی قزوین، قزوین، ایران. ، kiaei_mzsa@yahoo.com
چکیده:   (3905 مشاهده)
زمینه و هدف: بیماری دیابت عوارض متعددی دارد، تشخیص دیر هنگام دیابت در افراد منجر به گسترش عوارض بیماری می‌شود. مطالعه حاضر با هدف بررسی امکان پیش‌بینی دیابت با استفاده از فنون داده‌کاوی انجام شد.
روش بررسی: این پژوهش از نوع توصیفی- تحلیلی بود که به‌صورت مقطعی انجام شد. جامعه پژوهش شامل افراد مراجعه‌کننده به مراکز بهداشتی شهرستان محمدیه در استان قزوین جهت انجام غربالگری دیابت بودند. داده‌های مورد مطالعه مربوط به فروردین تا خرداد ۱۳۹۴ بود. داده‌ها در نهایت با استفاده از سه روش نزدیک‌ترین همسایگی (k-nearest neighbors algorithm, k-NN)، درخت تصمیم‌گیری (Decision tree, DT) و ماشین‌های بردار پشتیبان (Support vector machine, SVM) تحلیل و مورد مقایسه قرار گرفتند. جهت تحلیل داده‌ها از MATLAB® software, version 8.2 (Mathworks Inc., Natick, MA, USA) استفاده شد.
یافته‌ها: در تمامی معیارها، بهترین نتایج توسط درخت تصمیم‌گیری با صحت (۰/۹۶) به‌دست آمد. پس از آن روش‌های نزدیک‌ترین همسایگی با صحت (۰/۹۶) و ماشین‌های بردار پشتیبان با صحت (۰/۹۴) قرار داشتند.
نتیجه‌گیری: براساس نتایج ارایه شده، درخت تصمیم‌گیری بهترین نتایج را در کلاس‌بندی نمونه‌های تست نشان داد. این مدل می‌تواند به‌عنوان مدلی مناسب در پیش‌بینی دیابت با استفاده از داده‌های ریسک فاکتور توصیه شود.
متن کامل [PDF 349 kb]   (1113 دریافت)    
نوع مطالعه: گزارش كوتاه |

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb