مقایسه سامانه‌‌های پشتیبان تصمیم‌گیری در پیش‌بینی دیابت

مقدمه و اهداف: در طی سال‌های اخیر از جمله روش‌های پیش‌بینی و تشخیص بیماری در عرصه پزشکی، به کارگیری روش‌های پشتیبان تصمیم با الگوریتم‌های تکاملی و ترکیبی است، که دارای توانمندی بالایی در مدل‌سازی مسائل پزشکی و مهندسی دارند. هدف این مقاله مقایسه‌ی چند سامانه پشتیبان تصمیم‌گیری و بررسی دقت این سامانه‌ها در پیش‌بینی بیماری دیابت است.روش کار: در مطالعه‌ی حاضر با استفاده روش ترکیب الگوریتم ژنتیک و لونبرگ- مارکوارت(genetic algorithm and levenberg-marquardt; galm ) ، به تعیین و بهینه‌سازی اوزان‌های شبکه‌ی عصبی پرداخته شد، و برای بررسی اعتبارسنجی مدل‌ها، از روش‌های اعتبار سنجی سنتی و اعتبار سنجی  kباره (k-fold cross validation; k-fold  ) استفاده گردید، و در نهایت مدل پیشنهادی (galm) با مدل‌های رگرسیون لجستیک، الگوریتم ژنتیک از طریق نمودار سطح زیر منحنی(receiver operating characteristic, (roc)) و ماتریس در هم ریختگی(confusion matrix) مقایسه گردید.نتایج: پس از انجام بررسی‌ها معلوم شد در بین مدل‌های مقایسه شده، مدل حاصل از الگوریتم galm دارای حساسیت و ویژگی بالاتری نسبت به مدل‌های رگرسیون لجستیک و الگوریتم ژنتیک می‌باشند. هم‌چنین در بین مدل‌ها، مدل پیشنهادی (الگوریتم galm) مدلی است که دارای حساسیت، ویژگی، ارزش اخباری منفی (npv) (negative predictive value; npv )، ارزش اخباری مثبت (ppv) (positive predictive value; ppv) ، بالا و درست‌نمایی منفی (-lr) (negative likelihood ratio; nlr ) پایین و نزدیک به صفر می‌باشد، و می‌توان این مدل را به عنوان مدلی مناسب انتخاب کرد.نتیجه‌گیری: نتایج نشان می‌دهد، مدل galm با میزان‌های به ترتیب حساسیت، ویژگی، ارزش اخباری مثبت، ارزش اخباری منفی، سطح زیر منحنی 7/98، 01/90، 8/91، 3/98، 972/0، در مقایسه با مدل‌های ga و lr مدلی مناسب برای پیش‌بینی دیابت می‌باشد.