این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم پیراپزشکی و توانبخشی، جلد ۷، شماره ۴، صفحات ۱۹-۳۲
عنوان فارسی مقایسه مدل شبکه عصبی مصنوعی و درخت تصمیم برای شناسایی و پیش بینی عوامل مرتبط با دیابت نوع۲
چکیده فارسی مقاله هدف:  یکی از اهداف تحقیقات پزشکی تعیین عوامل مرتبط در پیش ­بینی بیماری می ­باشد. یکی از شایع ­ترین بیماری های متابولیک در ایران، دیابت می­باشد. هدف از این مطالعه شناسایی عوامل موثر در پیش بینی دیابت با استفاده از مدل­ های شبکه عصبی مصنوعی و درخت تصمیم می ­باشد. روش بررسی:  برای انجام مطالعه، پرونده 901 تن از افرادی که در سال­ های 91 و 92 به مراکز بهداشتی شهر مشهد مراجعه کرده بودند، استفاده گردید. در ابتدا با استفاده از روش­ های آمار توصیفی و تحلیلی، داده ­ها آنالیز شدند. سپس 70% داده­ ها به طور تصادفی برای ساخت مدل­ های شبکه عصبی مصنوعی و درخت تصمیم انتخاب شدند. 30% باقیمانده برای مقایسه عملکرد مدل ­ها استفاده شد. در نهایت عملکرد مدل ­ها با استفاده از سطح زیر منحنی راک (ROC) مورد مقایسه قرار گرفت. یافته ­ها:  توسعه دو مدل پیش ­بینی با استفاده از 14 متغیر انجام شد. دو مدل از نظر سطح زیر منحنی راک، حساسیت، ویژگی و صحت مورد ارزیابی قرار گرفتند. برای مدل شبکه عصبی، سطح زیر منحنی راک و حساسیت به ترتیب 69/1 و 74/2 بدست آمد. برای مدل درخت تصمیم نیز سطح زیر منحنی راک و حساسیت به ترتیب 68/9 و 64/77  بدست آمد. در هر دو مدل متغیرهای سابقه خانوادگی دیابت، تری گلیسرید، شاخص توده بدنی، لیپوپروتئین با چگالی کم و فشار خون سیستولیک و دیاستولیک مهم ترین عوامل مرتبط در شناسایی دیابت نوع 2 بودند.      نتیجه‌ گیری:  نتایج نشان داد که مدل شبکه عصبی چند لایه سطح زیر منحنی راک بهتری نسبت به درخت تصمیم CART در پیش ­بینی دیابت نوع 2 دارد. همچنین لیپوپروتئین با چگالی کم مهم ­ترین عوامل مرتبط در شناسایی دیابت نوع 2 می ­باشد. مطالعه حاکی از آنست که روش ­های داده­کاوی نوین از جمله شبکه عصبی مصنوعی و درخت تصمیم می ­توانند برای شناسایی عوامل مرتبط با بیماری­ ها مورد استفاده قرار گیرند.
کلیدواژه‌های فارسی مقاله درخت تصمیم، شبکه عصبی مصنوعی، داده‌کاوی، دیابت،
عنوان انگلیسی Comparison of Artificial Neural Network and Decision Tree to Identify and Predict Factors Associated with Type 2 Diabetes
چکیده انگلیسی مقاله Purpose:  One of the goals of medical research is to determine the factors association of diseases in prognosis. One of the most common metabolic diseases in Iran is diabetes. The aim of this study was to identify the related factors that predict diabetes by using artificial neural network and decision tree algorithms. In this study we will compare the performance of these models. Methods:  In this study, 901 cases of people referred to health centers in Mashhad were used. Initially, data were analyzed using descriptive and analytical statistics. Then, 70% of the data were randomly selected for constructing artificial neural network and decision tree models and the remaining 30% were used to compare the performance of the models. Finally, the performance of the models was compared using the ROC curve. Results: Development of two predictive models was performed by using13 input (independent) variables and 1 output (dependent) variable. The two models were evaluated in terms of area under the ROC curve, sensitivity, specificity and accuracy. Area under ROC curve, sensitivity, specificity and accuracy for artificial neural network model were 69.1, 74.2, 56.03 and 61.3. For CART algorithm of decision tree the under ROC curve, sensitivity, specificity and accuracy were obtained as 68.9, 64.77, 63.47 and 65.3 respectively. In all modes, family history of diabetes, triglycerides, body mass index, low density lipoprotein, and systolic and diastolic blood pressure were the most important factors associated with type 2 diabetes. Conclusion: The results showed that the perceptron multi-layer neural network model had a better result than the CART decision tree in term of area under the ROC curve for prediction of diabetes type 2. Also, low density lipoprotein was identified as the most important related factor of type 2 diabetes. The study suggests that modern data mining techniques such as artificial neural network and decision trees can be used to identify associated disease factors.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله فرزاد میرزاخانی | Farzad Mirzakhani
Ph.D Student of Medical Informatics, Health Information Management Department, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran.
دانشجوی دکترای انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی ایران ، تهران، ایران

آذر کاظمی | A Kazemi
Student Research Committee, Department of Medical Informatics, Faculty of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran
دانشجوی کارشناسی ارشد گروه انفورماتیک پزشکی ،کمیته تحقیقات دانشجویی،دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران

مرجان رسولیان کسرینه | M Rasoulian-Kasrineh
Department of medical informatics, Faculty of medicine, University of medical sciences, Mashhad, Iran
دانشجوی کارشناسی ارشد گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران

سید یوسف جواد موسوی | S.Y Javadmoosavi
Medical Toxicology and Drug Abuse Research Center (MTDRC), Birjand University of Medical Sciences, Birjand, Iran
دانشجوی پزشکی عمومی، کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران

علیرضا امیرآبادی زاده | A.R amirabadiza
Medical Toxicology and Drug Abuse Research Center (MTDRC), Birjand University of Medical Sciences,
کارشناس مرکز تحقیقات مسمومیت ها و سو مصرف مواد، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران

نشانی اینترنتی http://jpsr.mums.ac.ir/article_12058.html
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/304/article-304-1141775.pdf
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات