دوره 11، شماره 2 - ( دوره 11، شماره 2 1394 )                   جلد 11 شماره 2 صفحات 46-53 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Jahani M, Rezaenoor J, Hadavandi E, Salehi I, Tahsini H. Comparison of Decision Support Systems for Diabetes Prediction. irje. 2015; 11 (2) :46-53
URL: http://irje.tums.ac.ir/article-1-5390-fa.html
جهانی میثم، رضایی نور جلال، هداوندی اسماعیل، صالحی ایرج، تحسینی حبیب اله. مقایسه سامانه‌‌های پشتیبان تصمیم‌گیری در پیش‌بینی دیابت. مجله اپیدمیولوژی ایران. 1394; 11 (2) :46-53

URL: http://irje.tums.ac.ir/article-1-5390-fa.html


1- کارشناسی ارشد مهندسی فناوری اطلاعات،گروه مهندسی کامپيوتر، دانشکده فنی و مهندسی، دانشگاه قم کارشناسی ارشد مهندسی فناوری اطلاعات،گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه قم
2- استاديار مهندسی صنايع، گروه مهندسی صنايع، دانشکده فنی و مهندسی، دانشگاه قم استادیار مهندسی صنایع، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه قم ، j.rezaee@qom.ac.ir
3- دانشجوی دکتری مهندسی صنايع، گروه مهندسی صنايع، دانشگاه اميرکبير دانشجوی دکتری مهندسی صنایع، گروه مهندسی صنایع، دانشگاه امیرکبیر
4- دانشيار فيزيو لوژی،گروه فيزيولوژی، دانشکده پيراپزشکی، دانشگاه علوم پزشکی همدان دانشیار فیزیو لوژی،گروه فیزیولوژی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی همدان
5- دانشجوی کارشناسی ارشد، گروه آمار زيستی،دانشگاه علوم پزشکی همدان دانشجوی کارشناسی ارشد، گروه آمار زیستی،دانشگاه علوم پزشکی همدان
چکیده:   (4825 مشاهده)

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.

واژه‌های کلیدی: دیابت، شبکه عصبی، الگوریتم ژنتیک
متن کامل [PDF 573 kb]   (1349 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: عمومى
دریافت: ۱۳۹۴/۹/۱ | پذیرش: ۱۳۹۴/۹/۱ | انتشار: ۱۳۹۴/۹/۱

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
کد امنیتی را در کادر بنویسید

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله تخصصی اپیدمیولوژی ایران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2017 All Rights Reserved | Iranian Journal of Epidemiology

Designed & Developed by : Yektaweb