استفاده از تکنیک های داده کاوی جهت تشخیص دیابت با استفاده از چربی خون

مقدمه: بیماری دیابت یکی از شایع ترین، خطرناک ترین و پرهزینه ترین بیماری های حال حاضر دنیا است که با نرخ هشدار دهنده ای در حال افزایش است. استفاده از روش های داده کاوی می تواند به تشخیص زودهنگام دیابت کمک کند که باعث جلوگیری از پیشرفت این بیماری و خیلی از عوارض آن مانند بیماری قلب و عروق، مشکلات بینایی و بیماری های کلیوی می شود.مواد و روش ها: در این تحقیق از نرم افزار داده کاوی رپیدماینر برای مدل سازی به منظور دسته بندی بیماران به دیابتی و غیر دیابتی استفاده شده است. داده های مورد نیاز این تحقیق از پایگاه داده یکی از آزمایشگاه های شهرستان نهاوند استخراج شده است که شامل داده های 5706 بیمار در بازه سال های 1387 تا 1392 است. این داده ها شامل متغیرهای عمومی سن و جنسیت و هم چنین متغیرهای انواع چربی خون و میزان قندخون ناشتا است.یافته های پژوهش: پس از مدل سازی با استفاده از تکنیک های مختلف دسته بندی بهترین دقت مدل مربوط به مدل درخت تصمیم c4.5 بوده که برابر 02.90 درصد می باشد.بحث و نتیجه گیری: به منظور تشخیص به موقع دیابت تکنیک های مختلفی با روش ها و متغیرهای گوناگونی ارائه گردیده است. در تحقیق پیش رو نیز با استفاده از رابطه هم افزایی انواع چربی خون با قندخون ناشتا و با استفاده از تکنیک های داده کاوی روشی برای تشخیص دیابت ارائه شده است.

Data Mining Techniques to Diagnose Diabetes Using Blood Lipids

Introduction: Nowadays, diabetic disease is one of the most common, dangerous and costly diseases in the world spreading rapidly. Data mining techniques can be used for early diagnosis of this disease which results in preventing a lot of problems for patients including heart diseases, vision problems and kidney disorders.Matherials methods: In this research, the Rapid Miner software has been used as a modeling tool to classify each patient as either diabetic or nondiabetic. The data set of this research has been collected from the database of one lab in Nahavand which includes the information of 5706 patients in a five years period from 2009 to 2013. The data set includes such information about patients as: age, gender, the level of lipid in the blood and the amount of fasting blood sugar.Findings: After modeling with different classification techniques, the best accuracy achieved from the decision tree c4.5 which was 90.02%.Discussion Conclusion: For early diagnosis of diabetes in many countries around the world many techniques have been proposed using a variety of methods and variables. In the current research, using the relationship between blood lipids and fasting blood sugar, a method based on data mining techniques for diagnosing diabetes has been proposed.