سيستم تصميم‌يار پزشكي براي تشخيص بيماري ديابت و هپاتيت مبتني بر تركيب بهينه‌سازي اجتماع ذرات و الگوريتم كرم شب‌تاب

A Decision Support System for Diagnosis of Diabetes and Hepatitis, based on the Combination of Particle Swarm Optimization and Firefly Algorithm

مقدمه: سيستم‌هاي تصميم يار پزشكي در قالب يك برنامه كامپيوتري طراحي مي‌شوند و به متخصصان پزشكي در اتخاذ تصميمات تشخيص بيماري، كمك مي‌كنند. هدف اصلي اين گونه سيستم‌ها در واقع ياري رساندن به پزشكان در زمينه تشخيص بيماري مي‌باشد، بدين‌معني كه يك پزشك مي‌تواند با سيستم تعامل داشته باشد و در تحليل داده‌هاي بيمار، تشخيص‌دهي و ساير فعاليت‌هاي پزشكي از سيستم كمك بگيرد. روش: اين مطالعه از نوع توصيفي-تحليلي بود. مجموعه داده‌ها شامل 768 ركورد ديابت با 8 ويژگي و 155 ركورد هپاتيت با 19 ويژگي مي‌باشند كه از سايت جهاني UCI تهيه شده‌اند و از الگوريتم بهينه‌سازي اجتماع ذرات براي انتخاب ويژگي و از الگوريتم كرم شب‌تاب براي طبقه‌بندي بيماري ديابت و هپاتيت به دو كلاس سالم و ناسالم استفاده شد. از 80 درصد داده‌ها جهت آموزش و از 20 درصد باقي‌مانده جهت آزمون استفاده شد. نتايج: بررسي اوليه نشان داد صحت الگوريتم‌هاي بهينه‌سازي اجتماع ذرات و كرم شب‌تاب براي مجموعه داده ديابت به‌ترتيب برابر با 84/41 و 82/08 درصد و براي مجموعه داده هپاتيت به ترتيب برابر با 81/84 و 80/34 درصد به دست آمد. همچنين صحت مدل پيشنهادي براي مجموعه داده ديابت و هپاتيت به ترتيب برابر 95/38 و 94/09 درصد بود. نتيجه‌گيري: بر اساس يافته‌هاي اين مطالعه، مدل پيشنهادي در مقايسه با الگوريتم‌هاي بهينه‌سازي اجتماع ذرات و كرم شب‌تاب از نرخ خطاي كمتري در تشخيص بيماري برخوردار بود. يافته‌هاي اين پژوهش مي‌تواند به پزشكان در تشخيص به موقع بيماري ديابت و هپاتيت كمك نمايد.

Introduction: Clinical Decision Support Systems (CDSS) are designed in the form of computer programs that help medical professionals make decisions about disease diagnosis. The main aim of these systems is to assist physicians in diagnosing diseases, in other words, a physician can interact with the system and use them to analyze patient data, diagnose diseases, and other medical activities. Method: This is a descriptive-analytic study. The datasets include 768 records of diabetes with 8 features and 155 records of hepatitis with 19 features, which were provided by the Global Website of UCI. In this study, the Particle Swarm Optimization (PSO) algorithm was used for Feature Selection (FS) and the Firefly Algorithm (FA) was used to classify diabetes and hepatitis into two healthy and unhealthy classes. 80% of the data was used for training and the remaining (20%) was used for testing. Results: The experiments showed that the accuracy of the PSO and FA for the diabetes dataset was 84.41% and 82.08%, respectively. Also, the accuracy of the PSO and FA for the hepatitis dataset was 81.84% and 80.34%, respectively. The accuracy of the proposed model for the diabetes and hepatitis datasets was 95.38% and 94.09%, respectively. Conclusion: According to the results, the proposed model had a lower error rate in diagnosis compared to the PSO and FA. The results of this study can help doctors in timely diagnosis of diabetes and hepatitis