ارایه روشی جهت تشخیص سندرم متابولیک بر مبنای الگوریتم داده کاوی Knn، مطالعه موردی: بیمارستان شهدای کارگر یزد

مقدمه: سندروم متابولیک به معنای وجود گروهی از عوامل خطر ساز برای بروز بیماری های قلبی عروقی و دیابت در یک شخص است. وجود علائم و ویژگی های مختلف این بیماری، تشخیص را برای پزشکان دشوار می کند. داده کاوی امکان تحلیل داده های بالینی بیماران برای تصمیم گیری های پزشکی را فراهم می کند. هدف این مقاله، ارائه یک مدل برای افزایش دقت پیش بینی سندرم متابولیک است.روش: در این مطالعه کاربردیتوصیفی، پرونده پزشکی 1499 بیمار مبتلا به سندرم متابولیک با تعداد 15 ویژگی مورد بررسی قرار گرفت. اطلاعات بیماران از پایگاه داده استاندارد بیمارستان فوق تخصصی شهدای گارگر یزد جمع آوری شد. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بودند. در این مقاله برای پیش بینی و تشخیص سندرم متابولیک، از الگوریتم کلونی زنبور عسل برای بهینه سازی نتایج الگوریتم داده کاوی knn استفاده شد و یک مدل جدید ارائه گردید.نتایج: بر اساس تابع هدف برای پیش بینی عارضه افزایش چربی خون از روش پیشنهادی، الگوریتم های گرگ خاکستری، ازدحام ذرات و ژنتیک برای بهبود عملکرد الگوریتم knn استفاده شد. تحلیل های صورت گرفته نشان می دهد که مدل پیشنهادی با دقت پیش بینی 0/921 از روش های فازی، ماشین بردار پشتیبان، درخت تصمیم و شبکه عصبی دقت بیشتر ی دارد.نتیجه گیری: جستجو در پایگاه داده های پزشکی برای رسیدن به دانش و اطلاعات جهت پیش بینی، تشخیص و تصمیم گیری از کاربردهای داده کاوی در پزشکی است. می توان از الگوریتم های وراثتی برای بهینه سازی تکنیک های داده کاوی استفاده کرد. پیش بینی و تشخیص صحیح سندرم متابولیک با استفاده از هوش مصنوعی و یادگیری ماشین، شانس درمان موفق را بالا می برد.

A Method for the Diagnosis of Metabolic Syndrome based on KNN Data Mining Algorithm: A case study in Shohada-ye Kargar Hospital in Yazd, Iran

Introduction: Metabolic syndrome is a group of risk factors for developing cardiovascular diseases and diabetes in an individual. The presence of various signs and symptoms makes the diagnosis of this disease difficult. Data mining can provide clinical data analysis of patients for medical decisionmakings. The purpose of this study was to provide a model for increasing the predictive accuracy of metabolic syndrome.Method: In this applieddescriptive study, the medical records of 1499 patients with metabolic syndrome with 15 characteristics were investigated. Patients' information is collected from the standard database of Yazd Shohadaye kargar Hospital. Each patient was followed for at least one year. In this paper, GBC algorithm was used to optimize the results of KNN data mining algorithm to predict and diagnose metabolic syndrome, and a new model was presented.Results: Based on the objective function to predict the increase of blood lipids in the proposed method, gray wolf algorithms, particle swarm and genetics were used to improve the performance of the KNN algorithm. The analyses show that the proposed model with the precision accuracy of 0.921 has a greater accuracy compared to fuzzy methods, backup vector machine, tree decomposition and neural network.Conclusion: Search in medical databases for the purpose of obtaining knowledge and information to predict, diagnose, and decision making are some applications of data mining in medicine. Hereditary algorithms can be used to optimize data mining techniques. The prediction and proper diagnosis of metabolic syndrome by using artificial intelligence and machine learning increases the chance of successful treatment.