مدل پيش بيني ابتلا به ديابت نوع2 با استفاده از الگوريتم هاي داده كاوي

Predicting Type2 Diabetes Using Data Mining Algorithms

سابقه و هدف: استفاده گسترده از سيستم‌هاي اطلاعات و پايگاه‌هاي داده، ادغام آن را با شيوه‌هاي سنتي براي دستيابي به دقت و سرعت بالاتر جهت تشخيص و پيشگيري بيماري و انتخاب روش‌هاي درمان و تصميم‌گيري‌ها به يك الزام تبديل كرده است. اين مطالعه با هدف ارائه يك سيستم دقيق براي تشخيص بيماري ديابت با استفاده از تكنيك داده كاوي و به كارگيري يك روش ابتكاري شامل تركيب شبكه عصبي با الگوريتم هوش دسته جمعي ذرات، انجام پذيرفت. مواد و روش‌ها: در اين مطالعه كاربردي، همراه با آموزش شبكه عصبي از الگوريتم هوش دسته جمعي ذرات جهت تعيين بهينه‌تر اوزان شبكه عصبي با استفاده از نرم‌افزار رپيدماينر بر روي مجموعه داده pima مربوط به 768 بيمار دركشور هند استفاده گرديد. يافته‌ها: بررسي انجام شده نشان مي دهد كه الگوريتم پيشنهادي مي تواند منطبق بر مدل واقعي باشد به طوري كه بيش‌ترين مقدار دقت، ويژگي و حساسيت در روش پيشنهادي با تعداد 50 آزمايش مختلف، به ترتيب 1/94، 88/92، 12/92 درصد مي باشد. استنتاج: در روش پيشنهادي مدل پيش بيني ديابت نوع 2، متوسط خطاي مدلسازي به عنوان تابع هدف بعد از يكسري تكرار كمينه شد با افزايش جمعيت اوليه و تعداد تكرارها علاوه بر افزايش دقت روش پيشنهادي باعث بهبود پارامترهاي حساسيت، ويژگي پيش‌بيني مثبت نيز شد به‌طوري كه حساسيت، دقت روش پيشنهادي نسبت به روش‌هاي مشابه كه در گذشته بكار رفته بود، بهتر و بيش‌تر مي‌باشد.

Background and purpose: Today, information systems and databases are widely used and in order to achieve higher accuracy and speed in making diagnosis, preventing the diseases, and choosing treatments they should be merged with traditional methods. This study aimed at presenting an accurate system for diagnosis of diabetes using data mining and a heuristic method combining neural network and particle swarm intelligence. Materials and methods: In this applied research, along with the training of the neural network, a particle swarm optimization algorithm was used to determine the weight of the optimal neural networks using RapidMiner Software on pima Indian Diabetes Dataset for 768 patients. Results: The proposed algorithm was found to be in line with the real model. The highest accuracy, specificity, and sensitivity of the method, with 50 different tests, were 94.1%, 92.88%, and 92.12%, respectively. Conclusion: In this study, average modeling error as a target function was minimized after a series of repetitions. By increase in initial population and number of replications, in addition to improving the accuracy of the proposed method, the sensitivity parameters and the positive predictive value ere improved. In fact, sensitivity and accuracy of the proposed method is better and higher than previous similar methods.