مقايسه سامانه‌‌هاي پشتيبان تصميم‌گيري در پيش‌بيني ديابت

Comparison of Decision Support Systems for Diabetes Prediction

مقدمه و اهداف: در طی سال‌های اخير از جمله روش‌های پيش‌بينی و تشخيص بيماری در عرصه پزشكی، به كارگيری روش‌های پشتيبان تصميم با الگوريتم‌های تكاملی و تركيبی است، كه دارای توانمندی بالايی در مدل‌سازی مسائل پزشكی و مهندسی دارند. هدف اين مقاله مقايسه‌ی چند سامانه پشتيبان تصميم‌گيری و بررسی دقت اين سامانه‌ها در پيش‌بينی بيماری ديابت است. روش كار: در مطالعه‌ی حاضر با استفاده روش تركيب الگوريتم ژنتيك و لونبرگ- ماركوارت(Genetic Algorithm and Levenberg-Marquardt; GALM ) ، به تعيين و بهينه‌سازی اوزان‌های شبكه‌ی عصبی پرداخته شد، و برای بررسی اعتبارسنجی مدل‌ها، از روش‌های اعتبار سنجی سنتی و اعتبار سنجی  kباره (K-Fold Cross Validation; K-Fold  ) استفاده گرديد، و در نهايت مدل پيشنهادی (GALM) با مدل‌های رگرسيون لجستيك، الگوريتم ژنتيك از طريق نمودار سطح زير منحنی(Receiver operating characteristic, (ROC)) و ماتريس در هم ريختگی(Confusion matrix) مقايسه گرديد. نتايج: پس از انجام بررسی‌ها معلوم شد در بين مدل‌های مقايسه شده، مدل حاصل از الگوريتم GALM دارای حساسيت و ويژگی بالاتری نسبت به مدل‌های رگرسيون لجستيك و الگوريتم ژنتيك می‌باشند. هم‌چنين در بين مدل‌ها، مدل پيشنهادی (الگوريتم GALM) مدلی است كه دارای حساسيت، ويژگی، ارزش اخباری منفی (NPV) (Negative Predictive Value; NPV )، ارزش اخباری مثبت (PPV) (Positive Predictive Value; PPV) ، بالا و درست‌نمايی منفی (-LR) (Negative Likelihood Ratio; NLR ) پايين و نزديك به صفر می‌باشد، و می‌توان اين مدل را به عنوان مدلی مناسب انتخاب كرد. نتيجه‌گيری: نتايج نشان می‌دهد، مدل GALM با ميزان‌های به ترتيب حساسيت، ويژگی، ارزش اخباری مثبت، ارزش اخباری منفی، سطح زير منحنی 7/98، 01/90، 8/91، 3/98، 972/0، در مقايسه با مدل‌های GA و LR مدلی مناسب برای پيش‌بينی ديابت می‌باشد.

Background & Objectives: In recent years, different decision support systems (DSS) have been used to predict and diagnose diseases. The purpose of this paper was to compare some DSSs and to evaluate their accuracy in predicting diabetes.  Methods: In this research, determination and optimization of the weights of the neural network were undertaken using genetic algorithm and Levenberg-Marquardt (GALM). Traditional and K-Fold Cross Validation were used to verify the models. Finally, the proposed model (i.e. GALM) was compared using logistic regression and genetic algorithm based on area under curve (AUC), and Confusion Matrix. Results: After evaluating the results, the model based on the GALM algorithm showed better sensitivity and specificity in comparison with models based on the logistic regression (LR) and genetic algorithm (GA). Furthermore, among other models, the proposed model had a high sensitivity, specificity, negative predictive value (NPV), positive predictive value (PPV), and a small negative likelihood. Conclusion: The results showed that the GALM model with a sensitivity, specificity, PPV, NPV, and AUC of 98.7, 90.01, 91.8, 98.3 and 0.979 respectively was an appropriate model for predicting diabetes in comparison with models of GA and LR.