یک روش استخراج قانون تشخیصی دیابت نوع 2با استفاده از الگوریتم ژنتیک خودسازمان‌دهنده

هدف ساخت مدل‌های کمک تصمیم‌یار پزشکی جهت استخراج خودکار دانش از داده‌ها به پزشکان در تشخیص زودهنگام بیماری کمک می‌کند. تفسیرپذیری قوانین اسستنتاجی این مدل‌ها جهت درک نحوه تصمیم‌گیری آن‌ها راجع به داده‌ها و افزایش اعتماد به خروجی مدل، یک شاخص ضروری در تعیین کارایی آن‌هاست.روش ها در این پژوهش یک مطالعه گذشته‌نگر است جهت استخراج قوانین تشخیصی دیابت نوع 2. داده‌های این مطالعه، مجموعه داده عمومی پیما شامل 768 رکورد و 9 ویژگی است که در سال 1400 استخراج شد. پس از حذف گمشدگی و داده‌های پرت در مرحله پیش‌پردازش داده‌ها، جهت استخراج قوانین یک مدل ترکیبی پیشنهادی فازی‌ژنتیک با استفاده از نرم‌افزار متلب ارائه شد. جهت حذف پیچیدگی‌ تنظیم عملگرهای الگوریتم ژنتیک و تسهیل اجرای مجدد مدل در کاربردهای دیگر، ساختار کروموزومی خودسازمان‌دهنده‌ای پیشنهاد شده است.یافته ها ارزیابی مدل پیشنهادی روی مجموعه داده پیما به صحت 79/05 درصد دست یافت. این صحت توسط 2 قانون فازی که هرکدام فقط شامل 2 متغیر مستقل است به دست آمده است. همچنین برای تشخیص افراد دارای دیابت و فاقد آن قانون‌های تشخیصی منفرد به ترتیب با صحت 70/83 و 81/48 درصد ارائه شده است. مهم‌ترین عوامل موثر بر ابتلا و عدم ابتلا به دیابت در این قوانین تعداد دفعات بارداری، شاخص توده بدنی، فشار خون، سابقه خانوادگی، غلظت گلوکز پلاسما و ضخامت پوست چین سه سر تعیین شدند.نتیجه گیری روش پیشنهادی در تولید مجموعه و همچنین قوانین منفرد تشخیص بیماری یا عدم بیماری با صحت و قابلیت تفسیر بسیار بالا در کاربردهای پزشکی کاملاً مناسب بوده و به دلیل خودسازمانده بودن قابلیت تکرار در سایر کاربردهای دسته‌بندی دو‌کلاسی را دارد.

proposing a model for diagnosing the type 2 diabetes using a self-organizing genetic algorithm

objective building clinical decision support models to automatically extract knowledge from data helps physicians in early diagnosis of disease. interpretability of the diagnostic rules of these models for understanding how they make decisions and increasing confidence in their output is a key indicator in determining their efficacy.methods in this retrospective study, an automated hybrid rule extraction model is proposed for type 2 diabetes. in order to evaluate the model, the pima diabetes dataset including 768 records and 9 variables was used. after removing the missing and outlier data in the data preprocessing stage, a proposed fuzzy-genetic hybrid model was implemented using matlab software to extract the rules. a self-organizing chromosomal structure was used to eliminate the complexity of setting genetic algorithm operators and facilitate the re-implementation of the model in other applications.results the accuracy of the proposed model on the pima dataset was 79.05%. this accuracy was obtained by two fuzzy rules, each of which contained only two independent variables. in addition, two single diagnostic rules for diabetic and non-diabetic individuals were presented with accuracy of 70.83% and 81.48%, respectively. the number of pregnancies, body mass index, diastolic blood pressure, diabetes pedigree function, plasma glucose concentration, and triceps skinfold thickness were the most effective factors in having or not having diabetes in the extracted rules.conclusion the proposed model with high accuracy and interpretability is quite suitable in producing an accurate and highly interpretable set of rules as well as single rules for diagnosing diabetes or absence of diabetes. due to its self-organizing ability, it can also be used for other binary classification purposes.