مقایسه مدل شبکه عصبی مصنوعی و درخت تصمیم برای شناسایی و پیش بینی عوامل مرتبط با دیابت نوع2
فرزاد میرزاخانی, آذر کاظمی, مرجان رسولیان کسرینه and 2 more
Journal of Paramedical Science and Rehabilitation · 2018
doi:10.22038/jpsr.2018.26264.1695 (opens in a new tab)
We email you when a new notice or a question about this paper appears.
Abstract
هدف: یکی از اهداف تحقیقات پزشکی تعیین عوامل مرتبط در پیش بینی بیماری می باشد. یکی از شایع ترین بیماری های متابولیک در ایران، دیابت میباشد. هدف از این مطالعه شناسایی عوامل موثر در پیش بینی دیابت با استفاده از مدل های شبکه عصبی مصنوعی و درخت تصمیم می باشد. روش بررسی: برای انجام مطالعه، پرونده 901 تن از افرادی که در سال های 91 و 92 به مراکز بهداشتی شهر مشهد مراجعه کرده بودند، استفاده گردید. در ابتدا با استفاده از روش های آمار توصیفی و تحلیلی، داده ها آنالیز شدند. سپس 70% داده ها به طور تصادفی برای ساخت مدل های شبکه عصبی مصنوعی و درخت تصمیم انتخاب شدند. 30% باقیمانده برای مقایسه عملکرد مدل ها استفاده شد. در نهایت عملکرد مدل ها با استفاده از سطح زیر منحنی راک (ROC) مورد مقایسه قرار گرفت. یافته ها: توسعه دو مدل پیش بینی با استفاده از 14 متغیر انجام شد. دو مدل از نظر سطح زیر منحنی راک، حساسیت، ویژگی و صحت مورد ارزیابی قرار گرفتند. برای مدل شبکه عصبی، سطح زیر منحنی راک و حساسیت به ترتیب 69/1 و 74/2 بدست آمد. برای مدل درخت تصمیم نیز سطح زیر منحنی راک و حساسیت به ترتیب 68/9 و 64/77 بدست آمد. در هر دو مدل متغیرهای سابقه خانوادگی دیابت، تری گلیسرید، شاخص توده بدنی، لیپوپروتئین با چگالی کم و فشار خون سیستولیک و دیاستولیک مهم ترین عوامل مرتبط در شناسایی دیابت نوع 2 بودند. نتیجه گیری: نتایج نشان داد که مدل شبکه عصبی چند لایه سطح زیر منحنی راک بهتری نسبت به درخت تصمیم CART در پیش بینی دیابت نوع 2 دارد. همچنین لیپوپروتئین با چگالی کم مهم ترین عوامل مرتبط در شناسایی دیابت نوع 2 می باشد. مطالعه حاکی از آنست که روش های دادهکاوی نوین از جمله شبکه عصبی مصنوعی و درخت تصمیم می توانند برای شناسایی عوامل مرتبط با بیماری ها مورد استفاده قرار گیرند.
Abstract licence: CC BY
Reads
Read by people on this page
None yet.
Checked or read by AI through naulon
None yet.
A person counts once a day per paper. We keep no cookie and no address: a reader is a hash that changes every day. Any month under five reads shows no number.
Are you an author?
Is this your paper?
Claim it to add your note and be paid when agents cite it. Free.