این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله اپیدمیولوژی ایران، جلد ۱۱، شماره ۲، صفحات ۴۶-۵۳
عنوان فارسی مقایسه سامانه‌‌های پشتیبان تصمیم‌گیری در پیش‌بینی دیابت
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله دیابت، شبکه عصبی، الگوریتم ژنتیک
عنوان انگلیسی Comparison of Decision Support Systems for Diabetes Prediction
چکیده انگلیسی مقاله Background & Objectives: In recent years, different decision support systems (DSS) have been used to predict and diagnose diseases. The purpose of this paper was to compare some DSSs and to evaluate their accuracy in predicting diabetes. Methods: In this research, determination and optimization of the weights of the neural network were undertaken using genetic algorithm and Levenberg-Marquardt (GALM). Traditional and K-Fold Cross Validation were used to verify the models. Finally, the proposed model (i.e. GALM) was compared using logistic regression and genetic algorithm based on area under curve (AUC), and Confusion Matrix. Results: After evaluating the results, the model based on the GALM algorithm showed better sensitivity and specificity in comparison with models based on the logistic regression (LR) and genetic algorithm (GA). Furthermore, among other models, the proposed model had a high sensitivity, specificity, negative predictive value (NPV), positive predictive value (PPV), and a small negative likelihood. Conclusion: The results showed that the GALM model with a sensitivity, specificity, PPV, NPV, and AUC of 98.7, 90.01, 91.8, 98.3 and 0.979 respectively was an appropriate model for predicting diabetes in comparison with models of GA and LR.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله میثم جهانی | m jahani
کارشناسی ارشد مهندسی فناوری اطلاعات،گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه قم
سازمان اصلی تایید شده: دانشگاه قم (Qom university)

جلال رضایی نور | j rezaenoor
آدرس قم بلوار امین دانشگاه قم، دانشکده فنی و مهندسی، گروه فناوری اطلاعات
سازمان اصلی تایید شده: دانشگاه قم (Qom university)

اسماعیل هداوندی | e hadavandi
دانشجوی دکتری مهندسی صنایع، گروه مهندسی صنایع، دانشگاه امیرکبیر
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

ایرج صالحی | i salehi
دانشیار فیزیو لوژی،گروه فیزیولوژی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی همدان
سازمان اصلی تایید شده: دانشگاه علوم پزشکی همدان (Hamadan university of medical sciences)

حبیب اله تحسینی | h tahsini
دانشجوی کارشناسی ارشد، گروه آمار زیستی،دانشگاه علوم پزشکی همدان
سازمان اصلی تایید شده: دانشگاه علوم پزشکی همدان (Hamadan university of medical sciences)

نشانی اینترنتی http://irje.tums.ac.ir/browse.php?a_code=A-10-25-5115&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده عمومی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات