استفاده از ماشين بردار پشتيبان در تشخيص محدوديت عملكردي بيماران ديابتي شمال‌غرب ايران در سال 1396: يك مطالعه توصيفي

Application of Support Vector Machine for Detection of Functional Limitations in the Diabetic Patients of the Northwest of IRAN in 2017: A Descriptive Study

زمينه و هدف: ماشين بردار پشتيبان (Support vector machine; SVM) به ­عنوان يك روش آماري قوي و كارآمد در تشخيص و پيش­بيني پيامدهاي باليني بر اساس تركيباتي از متغيرهاي پيش­بين كاربرد دارد. هدف اين پژوهش، استفاده از SVM براي تشخيص محدوديت عملكردي بيماران ديابتي و بررسي ميزان صحت اين تشخيص مي ­باشد. مواد و روش­ها: اين پژوهش توصيفي بر روي 378 بيمار ديابتي مراجعه كننده به مراكز ديابتي اردبيل و تبريز در سال 94-1393 انجام شد. جهت طبقه­ بندي بيماران ديابتي از لحاظ وضعيت محدوديت عملكردي بر مبناي متغيرهاي دموگرافيك و باليني از SVM با تابع هسته (RBF؛ Radial basis function) و روش اعتبارسنجي آموزش و آزمون استفاده شد. ارزيابي بر اساس شاخص­‌هاي تشخيصي شامل حساسيت، ويژگي، صحت و سطح زير منحني(Receiver operating characteristic; ROC) انجام شد. يافته ­ها: نتايج حاصل از مدل SVM نشان داد كه صحت طبقه­ بندي، حساسيت و ويژگي مدل SVM در افتراق و تشخيص صحيح وجود محدوديت عملكردي در بيماران ديابتي به ترتيب برابر 99%، 100% و 97% بود. سطح زير منحني ROC براي قدرت تشخيصي اين مدل 0/98 بود. نتيجه­ گيري: در اين مطالعه SVM براي طبقه ­بندي وضعيت محدوديت عملكردي بيماران ديابتي استفاده شد كه نتايج نشان­گر صحت و دقت مناسب مدل بود. با توجه به اهميت طبقه­ بندي صحيح پيامدهاي پزشكي بر اساس تركيباتي از متغيرهاي پيش­بين، استفاده از روش­هايي مانند SVM كه قادر به يافتن چنين تركيبات بهينه ­اي هستند، مي­ تواند مفيد باشد.

Background and Objectives: Support vector machine (SVM) is a robust and effective statistical method for the diagnosis and prediction of clinical outcomes based on combinations of predictor variables. The aim of this study was to use SVM to detect the functional limitations in the diabetic patients and evaluate the accuracy of this diagnosis. Materials and Methods: This descriptive study was conducted on 378 diabetic patients referred to the diabetic centers of Ardabil and Tabriz in 2014-2015. To classify the diabetic patients in terms of functional limitation, based on the demographic and clinical variables, SVM was used with RBF (radial basis function) kernel and the training and test validation method. Evaluation was performed based on diagnostic indices including sensitivity, specificity, accuracy and area under the ROC (receiver operating characteristic) curve. Results: The results of SVM method showed that the classification accuracy, sensitivity, specificity of the SVM method in differentiating and correct diagnosis of functional limitations in the diabetic patients were 99%, 100% and 97%, respectively. The area under the ROC curve as the detection performance analysis of this model was 0.98. Conclusion: In this study, SVM was used to classify the functional limitation status of the diabetic patients, and the results showed that the model had an acceptable performance. Considering the importance of classifying the medical outcomes correctly based on the combinations of predictor variables, the use of the methods such as SVM that are able to find optimal combinations could be helpful.