مدل پیش بینی ابتلا به دیابت نوع2 با استفاده از الگوریتم های داده کاوی

سابقه و هدف: استفاده گسترده از سیستم‌های اطلاعات و پایگاه‌های داده، ادغام آن را با شیوه‌های سنتی برای دستیابی به دقت و سرعت بالاتر جهت تشخیص و پیشگیری بیماری و انتخاب روش‌های درمان و تصمیم‌گیری‌ها به یک الزام تبدیل کرده است. این مطالعه با هدف ارائه یک سیستم دقیق برای تشخیص بیماری دیابت با استفاده از تکنیک داده کاوی و به کارگیری یک روش ابتکاری شامل ترکیب شبکه عصبی با الگوریتم هوش دسته جمعی ذرات، انجام پذیرفت.مواد و روش‌ها: در این مطالعه کاربردی، همراه با آموزش شبکه عصبی از الگوریتم هوش دسته جمعی ذرات جهت تعیین بهینه‌تر اوزان شبکه عصبی با استفاده از نرم‌افزار رپیدماینر بر روی مجموعه داده pima مربوط به 768 بیمار درکشور هند استفاده گردید. یافته‌ها: بررسی انجام شده نشان می دهد که الگوریتم پیشنهادی می تواند منطبق بر مدل واقعی باشد به طوری که بیش‌ترین مقدار دقت، ویژگی و حساسیت در روش پیشنهادی با تعداد 50 آزمایش مختلف، به ترتیب 94.1، 92.88، 92.12 درصد می باشد.استنتاج: در روش پیشنهادی مدل پیش بینی دیابت نوع 2، متوسط خطای مدلسازی به عنوان تابع هدف بعد از یکسری تکرار کمینه شد با افزایش جمعیت اولیه و تعداد تکرارها علاوه بر افزایش دقت روش پیشنهادی باعث بهبود پارامترهای حساسیت، ویژگی پیش‌بینی مثبت نیز شد به‌طوری که حساسیت، دقت روش پیشنهادی نسبت به روش‌های مشابه که در گذشته بکار رفته بود، بهتر و بیش‌تر می‌باشد.

Predicting Type2 Diabetes Using Data Mining Algorithms

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.