ارایه‌ی یک مدل پیش‌بینی جهت شناسایی افراد مبتلا به دیابت با استفاده از درخت تصمیم

مقدمه: امروزه در اکثر بیمارستان‌های ایران بانک اطلاعاتی وسیعی از ویژگی‌های بیماران موجود است که حجم بالایی از اطلاعات مربوط به سوابق بیماری، خانوادگی و پزشکی را شامل می‌شود. پیدا کردن الگوی دانش این اطلاعات می‌تواند در جهت پیش‌بینی عملکرد نظام پزشکی و بهبود فرآیندهای آموزشی کمک شایانی کند.روش‌ها: تکنیک‌های داده‌کاوی ابزار تحلیلی هستند که برای استخراج دانش معنادار از مجموعه داده‌های بزرگ مورد استفاده قرار می‌گیرند. در این تحقیق از اطلاعات 500 نفر از مراجعه‌کنندگان به مرکز بهداشت شهید بلندیان قزوین استفاده شده است. در این تحقیق با استفاده از روش‌های داده‌کاوی درخت تصمیم و شبکه عصبی و شبکه‌ی بیزین یک مدل پیش‌بینی شده انجام شده است.یافته‌ها: مدل درخت تصمیم بیش‌ترین دقت و شبکه‌ی بیزین کم‌ترین دقت را در تشخیص بیماران دیابت دارد و به تبع آن درخت تصمیم کم‌ترین خطا و شبکه‌ی بیزین بیشترین خطا را دارا هست. مدل درخت تصمیم با 95.68 درصد بیشترین دقت را در پیش‌بینی داشته است.نتیجه‌گیری: چربی بیشترین تاثیر را در پیش‌بینی بیماری دیابت و جنسیت کمترین تاثیر را در پیش‌بینی بیماری دیابت دارا هست. بر اساس تحلیل درخت تصمیم قوانین به‌دست آمده در بین ویژگی‌های بیان شده متغیرهای سن و میزان قند بیشترین تاثیر را در پیش‌بینی وقوع بیماری دیابت (طبق تحلیل نرم‌افزار) را دارا هستند و با ایجاد رژیم غذایی مناسب می‌توان از ابتلا به این بیماری جلوگیری کرد.

Provide a Predictive Model to Identify People with Diabetes Using the Decision Tree

Background: Today, in most hospitals in Iran, there is an extensive database of patient characteristics that includes a large amount of information related to medical, family and medical records. Finding a knowledge model of this information can help to predict the performance of the medical system and improve educational processes.Methods: Data mining techniques are analytical tools that are used to extract meaningful knowledge from a large data set. In this study, the information of 500 people referred to Shahid Bolandian Health Center in Qazvin has been used. In this research, a predicted model has been performed using decision tree data mining methods and neural network and Bayesian network.Results: The decision tree model has the highest accuracy and the Bayesian network has the lowest accuracy in diagnosing diabetic patients, and consequently the decision tree has the least error and the Bayesian network has the highest error. The decision tree model with 95.68% had the highest accuracy in prediction.Conclusion: Fat has the greatest effect in predicting diabetes and gender has the least effect in predicting diabetes. Based on the decision tree analysis, the rules obtained among the stated characteristics of age and sugar variables have the greatest effect in predicting the occurrence of diabetes (according to software analysis) and by creating a proper diet can prevent this disease Prevented.