داده كاوي بر پايه روش‌ هاي شبكه عصبي و درخت تصميم در تشخيص زود هنگام ريسك ابتلا به ديابت بارداري

Data Mining Approach based on Neural Network and Decision Tree Methods for the Early Diagnosis of Risk of Gestational Diabetes Mellitus

امروزه در دنياي مدرن صنعتي خطر ابتلا به بيماري هاي مزمن به طرز چشمگيري افزايش يافته است. ديابت بارداري يكي از مسائل مهم در حوزه سلامت است و در صورتي كه درمان نشود مشكلات و عوارض جانبي متعددي براي مادر و فرزندش به همراه دارد. اين پژوهش به دنبال پيش بيني ريسك و هشدار به موقع در ابتلا به ديابت بارداري به مادر مي باشد تا در اوايل بارداري از ابتلا جلوگيري به عمل آيد.روش: اين پژوهش كه به صورت كاربردي پيمايشي انجام شد و از دو رويكرد شبكه عصبي و درخت تصميم در داده كاوي به منظور تجزيه وتحليل آزمايشي داده ها و پيش بيني استفاده گرديد. داده هاي استخراج شده نرمال سازي شده و پس از آماده سازي در نرم افزار matlab تجزيه وتحليل شدند.نتايج: تحقيق حاضر در پي يافتن پاسخ به اين پرسش است كه آيا دو روش داده كاوي شبكه عصبي و درخت تصميم در تشخيص به هنگام و درست ريسك ابتلا به ديابت بارداري از صحت لازم برخوردار است ؟ و مي توان از آن ها براي تشخيص درست استفاده نمود؟ نتايج تحقيق نشان مي دهد كه روش هاي داده مدار در بهبود صحت و درستي پيش بيني موثرند، در كشف دانش ضمني و تشخيص روابط پنهان بين داده ها عملكرد مناسبي دارند و خطاي تصميم گيري در هر دو روش در حد قابل پذيرش و بسيار به هم نزديك است .نتيجه گيري: نتايج تحقيق حاكي از آن است كه از رويكرد هاي داده مدار مي توان در مراكز درماني و ساير بيماري هاي كمتر شناخته شده استفاده نمود و پيشگيري به موقع ، مديريت خود بيمار و كاهش هزينه هاي درماني را ميسر ساخت.

Introduction: Nowadays, in this industrial modern world, the incidence of chronic diseases has been significantly increased. Gestational diabetes mellitus is one of the major health problems that if not treated, it will cause serious complications for mother and her child. The purpose of this research was to find ways for determining the risk of gestational diabetes mellitus and making early diagnosis to prevent it in the initial stages of pregnancy. Methods: This applied-survey research used two approaches of neural network and decision tree in experimental analysis of data and prediction. The extracted data were normalized and analyzed through Matlab software. Results: The results showed that data-based method is effective in improving the accuracy of prediction and has good performance in discovering implied knowledge and diagnosis of hidden relationships among data. In both methods, decision errors were acceptable and very close to each other. Conclusion: Based on the obtained results, data mining methods can be used in health centers for less familiar diseases in order to achieve on-time diagnosis, patient management and to decrease treatment costs.