تشخيص بيماري ديابت با استفاده از روش هاي مبتني بر داده كاوي با تكيه بر داده هاي بومي

Diagnosis of diabetes by using a data mining method based on native data

زمينه و هدف: بيماري ديابت يكي از شايع ترين و پر هزينه ترين بيماري ها مي باشد كه تشخيص به ‌موقع آن مي تواند منجر به كاهش پيشرفت اين بيماري و عوارض ناشي از آن شود. اين پژوهش با هدف تعيين وضيعت بيماري ديابت ازنظر ابتلا و يا عدم ابتلا به آن، با استفاده از تكنيك هاي داده‌كاوي انجام ‌شده است. روش­ ها: اين مطالعه از نوع تحليلي بوده و پايگاه داده آن شامل 254 ركورد مستقل مبتني بر 13 ويژگي و جمع‌آوري‌شده توسط محققين طرح از يكي از مراكز تخصصي ديابت شهرستان مشهد مي‌باشد. نتايج: پس از پيش‌پردازش داده ها روش‌هاي مختلف تشخيص الگو مورد بررسي قرار گرفتند، با استفاده از شبكه عصبي پرسپترون چندلايه MLP، شبكه عصبي LVQ، بردار پشتيبان SVM و روش خوشه‌بندي K_means، ميانگين حداقل مربعات خطا محاسبه گرديد. صحت عملكرد هر ياد گير به ترتيب 94%، 92%، 96% و 93% محاسبه گرديد. نتيجه ­گيري: نتايج مطالعه حاكي از آن است كه روش SVM عملكرد بهتري نسبت به ساير روشها در تشخيص بيماري ديابت دارد.

Background & Aim: Detecting the abnormal performance of diabetes and subsequently getting proper treatment can reduce the mortality associated with the disease. Also, timely diagnosis will result in irreversible complications for the patient. The aim of this study was to determine the status of diabetes mellitus using data mining techniques. Methods: This is an analytical study and its database contains 254 independent records based on 13 characteristics. Data is collected by a researcher from one of the specialized diabetes centers in Mashhad. Results: After preprocessing of the obtained data, different methods of pattern recognition were applied. Using multilevel MLP neural networks, LVQ neural networks, SVM support vector and Kmeans clustering method, the mean square error (RMSE) was calculated. The correctness of each learner's performance is 94%, 92%, 96%, and 93%, respectively. Conclusion: Reducing the diagnosis of diabetes is one of the goals of the researchers. Using data mining techniques can help to reduce this error. In this study, among different protocols used for pattern recognition, SMV method displayed a significantly better performance.