پيش بيني نفروپاتي در بيمار ديابتي با كمك مدل رگرسيون فازي

NEPHROPATHY PREDICTION IN DIABETIC PATIENT USING FUZZY REGRESSION MODEL

مقدمه: ديابت يكي از بيماري‌هاي خطرناك و رايج جهان مدرن است. از آنجا كه در تحقيقات پزشكي معمولاً داده‌هاي كمي در دسترس است و داده‌هاي پزشكي داراي عدم قطعيت و ابهام زيادي است، براي پيدا كردن رابطه‌ي ورودي و خروجي در داده‌هاي پزشكي استفاده از مدل هاي ‌فازي مناسب به‌نظر مي‌رسد. هيچكدام از مقالات قبلي از رگرسيون فازي براي پيش‌بيني عوارض ديابت از جمله نفروپاتي استفاده نكرده‌اند. لذا در اين مطالعه، مدل رگرسيون فازي براي پيش‌بيني نفروپاتي در بيمار ديابتي استفاده شده است. روش‌ها: در پژوهش حاضر از نتايج GFR آزمايشات قبلي بيمار براي پيش‌بيني افق دورتري از GFR و در نهايت پيش‌بيني عارضه‌ي كليوي استفاده شده است. بيماري‌هاي مزمن كليوي براساس مقدار GFR سطح‌بندي شده است كه فازي سازي داده‌ها براساس اين سطوح انجام شده است. پيش‌بيني GFR طي مراحل زير انجام شد: مرحله‌ي 1، تعريف مجموعه‌هاي فازي براساس سطوح GFR، كه براي هر سطح يك مجموعه فازي در نظر گرفته شده است. مرحله‌ي 2، فازي سازي داده‌هاي بيمار براساس مجموعه‌هاي فازي. مرحله‌ي 3، پيش‌بيني GFR با مدل رگرسيون فازي. مرحله‌ي 4، غيرفازي سازي مقادير پيش‌بيني با استفاده از غيرفازي ساز ميانگين. مرحله‌ي 5، ارزيابي كارايي مدل. خطاي RMSE براي مقايسه كارايي مدل استفاده شده است. يافته‌ها: نتايج پيش‌بيني GFR نشان داد كه، مقايسه RMSE با استفاده از مدل رگرسيون خطي ساده 10.09 و با استفاده از مدل فازي 4.24 بود. نتيجه گيري: مدل رگرسيون فازي قادر به پيش‌بيني نفروپاتي در بيماران ديابتي است.

Background: Diabetes is one of the most dangerous and common diseases of the modern world. Since medical research usually has limited data available and medical data is very ambiguous, it seems appropriate to use the fuzzy model to find out the relationship between input and output in medical data. None of the previous articles of fuzzy regression have been used to predict complications of diabetes, including nephropathy. Therefore, in this study, a fuzzy regression model was used to predict nephropathy in a diabetic patient. Methods: In the present study, GFR results of previous patient experiments were used to predict a deeper horizons of GFR and ultimately to predict renal disease. Chronic kidney disease has been stratified based on the amount of GFR, that fuzzy data has been constructed based on these levels. The GFR prediction was performed in the following steps. Step 1: Define fuzzy sets based on the GFR level, which is considered for each level of a fuzzy set. Step 2: Fuzzify patient data Based on fuzzy sets. Step 3: GFR prediction with fuzzy regression model. Step 4: Defuzzifying the predictions. Step 5: Evaluating the model efficiency. The RMSE error is used to compare the performance of the model. Results: The results of GFR prediction showed that comparison RMSE was 10.09 with using simple linear regression model and 4.24 in fuzzy model. Conclusions: fuzzy regression model can predict nephropathy in diabetic patients.<