سیستم تصمیم‌یار پزشکی برای تشخیص بیماری دیابت و هپاتیت مبتنی بر ترکیب بهینه‌سازی اجتماع ذرات و الگوریتم کرم شب‌تاب

مقدمه: سیستم‌های تصمیم یار پزشکی در قالب یک برنامه کامپیوتری طراحی می‌شوند و به متخصصان پزشکی در اتخاذ تصمیمات تشخیص بیماری، کمک می‌کنند. هدف اصلی این گونه سیستم‌ها در واقع یاری رساندن به پزشکان در زمینه تشخیص بیماری می‌باشد، بدین‌معنی که یک پزشک می‌تواند با سیستم تعامل داشته باشد و در تحلیل داده‌های بیمار، تشخیص‌دهی و سایر فعالیت‌های پزشکی از سیستم کمک بگیرد.روش: این مطالعه از نوع توصیفیتحلیلی بود. مجموعه داده‌ها شامل 768 رکورد دیابت با 8 ویژگی و 155 رکورد هپاتیت با 19 ویژگی می‌باشند که از سایت جهانی uci تهیه شده‌اند و از الگوریتم بهینه‌سازی اجتماع ذرات برای انتخاب ویژگی و از الگوریتم کرم شب‌تاب برای طبقه‌بندی بیماری دیابت و هپاتیت به دو کلاس سالم و ناسالم استفاده شد. از 80 درصد داده‌ها جهت آموزش و از 20 درصد باقی‌مانده جهت آزمون استفاده شد.نتایج: بررسی اولیه نشان داد صحت الگوریتم‌های بهینه‌سازی اجتماع ذرات و کرم شب‌تاب برای مجموعه داده دیابت به‌ترتیب برابر با 41.84 و 08.82 درصد و برای مجموعه داده هپاتیت به ترتیب برابر با 84.81 و 34.80 درصد به دست آمد. همچنین صحت مدل پیشنهادی برای مجموعه داده دیابت و هپاتیت به ترتیب برابر 38.95 و 09.94 درصد بود.نتیجه‌گیری: بر اساس یافته‌های این مطالعه، مدل پیشنهادی در مقایسه با الگوریتم‌های بهینه‌سازی اجتماع ذرات و کرم شب‌تاب از نرخ خطای کمتری در تشخیص بیماری برخوردار بود. یافته‌های این پژوهش می‌تواند به پزشکان در تشخیص به موقع بیماری دیابت و هپاتیت کمک نماید.

A Decision Support System for Diagnosis of Diabetes and Hepatitis, based on the Combination of Particle Swarm Optimization and Firefly Algorithm

Introduction: Clinical Decision Support Systems (CDSS) are designed in the form of computer programs that help medical professionals make decisions about disease diagnosis. The main aim of these systems is to assist physicians in diagnosing diseases, in other words, a physician can interact with the system and use them to analyze patient data, diagnose diseases, and other medical activities.Method: This is a descriptiveanalytic study. The datasets include 768 records of diabetes with 8 features and 155 records of hepatitis with 19 features, which were provided by the Global Website of UCI. In this study, the Particle Swarm Optimization (PSO) algorithm was used for Feature Selection (FS) and the Firefly Algorithm (FA) was used to classify diabetes and hepatitis into two healthy and unhealthy classes. 80% of the data was used for training and the remaining (20%) was used for testing.Results: The experiments showed that the accuracy of the PSO and FA for the diabetes dataset was 84.41% and 82.08%, respectively. Also, the accuracy of the PSO and FA for the hepatitis dataset was 81.84% and 80.34%, respectively. The accuracy of the proposed model for the diabetes and hepatitis datasets was 95.38% and 94.09%, respectively.Conclusion: According to the results, the proposed model had a lower error rate in diagnosis compared to the PSO and FA. The results of this study can help doctors in timely diagnosis of diabetes and hepatitis