مجله اطلاع رسانی پزشکی نوین، جلد ۸، شماره ۲، صفحات ۱۶۸-۱۸۳
عنوان فارسی یک روش استخراج قانون تشخیصی دیابت نوع ۲با استفاده از الگوریتم ژنتیک خودسازمان‌دهنده
چکیده فارسی مقاله 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 مؤثر 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.
کلیدواژه‌های فارسی مقاله استخراج دانش، منطق فازی، انفورماتیک پزشکی، داده‌کاوی، دسته‌بندی
عنوان انگلیسی Proposing a Model for Diagnosing the Type 2 Diabetes Using a Self-Organizing Genetic Algorithm
چکیده انگلیسی مقاله 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.
کلیدواژه‌های انگلیسی مقاله Knowledge discovery, Fuzzy logic, Medical informatics, Data mining, Classification
نویسندگان مقاله فاطمه آهوز | Fatemeh Ahouz
Department of Computer Engineering, School of Engineering, Behbahan Khatam Alanbia University of Technology, Behbahan, Iran.
کارشناسی ارشد هوش مصنوعی، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه صنعتی خاتم‌الانبیای بهبهان، بهبهان، ایران

امین گلاب‌پور | Amin Golabpour
Department of Health Informatics Technology, School of Allied Medical Sciences, Shahroud University of Medical Sciences, Shahroud, Iran.
دکترای تخصصی انفورماتیک پزشکی، گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم‌پزشکی شاهرود، شاهرود، ایران.

عبدالحسین شکیبایی نیا | Abdolhosseain Shakibaeenia
Department of Computer Engineering, Dezful Branch, Islamic Azad University, Dezful, Iran.
دانشجوی دکتری ، سیستم های نرم افزاری، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، دزفول، ایران.

نشانی اینترنتی http://jmis.hums.ac.ir/browse.php?a_code=A-10-558-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات