other طراحی سیستم هوشمند برای تشخیص بیماری دیابت با استفاده از رویکرد داده‌کاوی: گزارش کوتاه گزارش كوتاه Brief Report <div style="text-align: justify;"><span style="font-family: yekanyw;"><strong><em><span style="font-size: 10pt;">زمینه و هدف:</span></em></strong><span style="font-size: 10pt;"> 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.</span><br> <strong><em><span style="font-size: 10pt;">روش بررسی: </span></em></strong><span style="font-size: 10pt;">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 </span><span dir="LTR"><span style="font-size: 8pt;">(k-nearest neighbors algorithm, k-NN)</span></span><span style="font-size: 10pt;">، درخت تصمیم‌گیری </span><span dir="LTR"><span style="font-size: 8pt;">(Decision tree, DT)</span></span><span style="font-size: 10pt;"> و ماشین‌های بردار پشتیبان </span><span dir="LTR"><span style="font-size: 8pt;">(Support vector machine, SVM)</span></span><span style="font-size: 10pt;"> تحلیل و مورد مقایسه قرار گرفتند. جهت تحلیل داده‌ها از </span><span dir="LTR"><span data-select-link-text="1" style="font-size: 8pt;">MATLAB&reg; software, version 8.2 (Mathworks Inc., Natick, MA, USA)</span></span><span style="font-size: 10pt;"> استفاده شد.</span><br> <strong><em><span style="font-size: 10pt;">یافته‌ها:</span></em></strong> <span data-select-link-text="1" style="font-size: 10pt;">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.</span><br> <strong><em><span style="font-size: 10pt;">نتیجه‌گیری: </span></em></strong><span style="font-size: 10pt;">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.</span></span></div> <div style="text-align: justify;"><strong>Background</strong>: Diabetes mellitus has several complications. The Late diagnosis of diabetes in people leads to the spread of complications. Therefore, this study has been done to determine the possibility of predicting diabetes type 2 by using data mining techniques.<br> <strong>Methods</strong>: This is a descriptive-analytic study that was conducted as a cross-sectional study. The study population included people referring to health centers in Mohammadieh City in Qazvin Province, Iran, from April to June 2015 for screening for diabetes. The 5-step CRISP method was used to implement this study. Data were collected from March 2015 to June 2015. In this study, 1055 persons with complete information were included in the study. Of these, 159 were healthy and 896 were diabetic. A total of 11 characteristics and risk factors were examined, including the age, sex, systolic and diastolic blood pressure, family history of diabetes, BMI, height, weight, waistline, hip circumference and diagnosis. The results obtained by support vector machine (SVM), decision tree (DT) and the k-nearest neighbors algorithm (k-NN) were compared with each other. Data was analyzed using MATLAB&reg; software, version 3.2 (Mathworks Inc., Natick, MA, USA).<br> <strong>Results</strong>: Data analysis showed that in all criteria, the best results were obtained by decision tree with accuracy (0.96) and precision (0.89). The k-NN methods were followed by accuracy (0.96) and precision (0.83) and support vector machine with accuracy (0.94) and precision (0.85). Also, in this study, decision tree model obtained the highest degree of class accuracy for both diabetes classes and healthy in the analysis of confusion matrix.<br> <strong>Conclusion</strong>: Based on the results, the decision tree represents the best results in the class of test samples which can be recommended as a model for predicting diabetes type 2 using risk factor data.</div> هوش مصنوعی, داده‌کاوی, دیابت ملیتوس نوع دو, تشخیص زودهنگام, یادگیری ماشینی, عوامل خطر artificial intelligence, data mining, diabetes mellitus type 2, early diagnosis, machine learning, risk factors 827 831 http://tumj.tums.ac.ir/browse.php?a_code=A-10-2828-1&slc_lang=other&sid=1 Rohollah Kalhor روح‌اله کلهر No Social Determinants of Health Research Center, Qazvin University of Medical Sciences, Qazvin, Iran. مرکز تحقیقات عوامل اجتماعی موثر برسلامت، دانشگاه علوم پزشکی قزوین، قزوین، ایران. Asghar Mortezagholi اصغر مرتضی‌قلی No Department of Artificial Intelligence, Computer and Information Technology (IT) Engineering, Faculty of Electrical, Qazvin Islamic Azad University, Qazvin, Iran. گروه هوش مصنوعی، رایانه و فناوری اطلاعات، دانشکده برق، دانشگاه آزاد اسلامی قزوین، قزوین، ایران. Fatemeh Naji فاطمه ناجی No Department of Epidemiology, Qazvin University of Medical Sciences, Qazvin, Iran. گروه اپیدمیولوژی، دانشگاه علوم پزشکی قزوین، قزوین، ایران. Saeed Shahsavari سعید شهسواری No Instructor of Biostatistics, Health Products Safety Research Center, Qazvin University of Medical Sciences, Qazvin, Iran. مربی آمار زیستی، مرکز تحقیقات ایمنی محصولات بهداشتی، دانشگاه علوم پزشکی قزوین، قزوین، ایران. Mohammad Zakaria Kiaei محمد زکریا کیایی kiaei_mzsa@yahoo.com Yes Instructor in Health Services Management Department, School of Health, Qazvin University of Medical Sciences, Qazvin, Iran. مربی گروه مدیریت خدمات بهداشتی و درمانی، دانشکده بهداشت، دانشگاه علوم پزشکی قزوین، قزوین، ایران.