استفاده از تكنيك هاي داده كاوي جهت تشخيص ديابت با استفاده از چربي خون

Data Mining Techniques to Diagnose Diabetes Using Blood Lipids

مقدمه: بيماري ديابت يكي از شايع ترين، خطرناك ترين و پرهزينه ترين بيماري هاي حال حاضر دنيا است كه با نرخ هشدار دهنده اي در حال افزايش است. استفاده از روش هاي داده كاوي مي تواند به تشخيص زودهنگام ديابت كمك كند كه باعث جلوگيري از پيشرفت اين بيماري و خيلي از عوارض آن مانند بيماري قلب و عروق، مشكلات بينايي و بيماري هاي كليوي مي شود. مواد و روش ها: در اين تحقيق از نرم افزار داده كاوي رپيدماينر براي مدل سازي به منظور دسته بندي بيماران به ديابتي و غير ديابتي استفاده شده است. داده هاي مورد نياز اين تحقيق از پايگاه داده يكي از آزمايشگاه هاي شهرستان نهاوند استخراج شده است كه شامل داده هاي 5706 بيمار در بازه سال هاي 1387 تا 1392 است. اين داده ها شامل متغيرهاي عمومي سن و جنسيت و هم چنين متغيرهاي انواع چربي خون و ميزان قندخون ناشتا است. يافته هاي پژوهش: پس از مدل سازي با استفاده از تكنيك هاي مختلف دسته بندي بهترين دقت مدل مربوط به مدل درخت تصميم C4.5 بوده كه برابر 02.90 درصد مي باشد. بحث و نتيجه گيري: به منظور تشخيص به موقع ديابت تكنيك هاي مختلفي با روش ها و متغيرهاي گوناگوني ارائه گرديده است. در تحقيق پيش رو نيز با استفاده از رابطه هم افزايي انواع چربي خون با قندخون ناشتا و با استفاده از تكنيك هاي داده كاوي روشي براي تشخيص ديابت ارائه شده است.

Introduction: Nowadays, diabetic disease is one of the most common, dangerous and costly diseases in the world spreading rapidly. Data mining techniques can be used for early diagnosis of this disease which results in preventing a lot of problems for patients including heart diseases, vision problems and kidney disorders. Matherials methods: In this research, the Rapid Miner software has been used as a modeling tool to classify each patient as either diabetic or nondiabetic. The data set of this research has been collected from the database of one lab in Nahavand which includes the information of 5706 patients in a five years period from 2009 to 2013. The data set includes such information about patients as: age, gender, the level of lipid in the blood and the amount of fasting blood sugar. Findings: After modeling with different classification techniques, the best accuracy achieved from the decision tree c4.5 which was 90.02%. Discussion Conclusion: For early diagnosis of diabetes in many countries around the world many techniques have been proposed using a variety of methods and variables. In the current research, using the relationship between blood lipids and fasting blood sugar, a method based on data mining techniques for diagnosing diabetes has been proposed.