این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دیابت و متابولیسم ایران، جلد ۱۸، شماره ۲، صفحات ۹۰-۹۶
عنوان فارسی پیش‌بینی نفروپاتی در بیمار دیابتی با کمک مدل رگرسیون فازی
چکیده فارسی مقاله مقدمه: دیابت یکی از بیماری‌های خطرناک و رایج جهان مدرن است. از آنجا که در تحقیقات پزشکی معمولاً داده‌های کمی در دسترس است و داده‌های پزشکی دارای عدم قطعیت و ابهام زیادی است، برای پیدا کردن رابطه‌ی ورودی و خروجی در داده‌های پزشکی استفاده از مدل های ‌فازی مناسب به‌نظر می‌رسد. هیچکدام از مقالات قبلی از رگرسیون فازی برای پیش‌بینی عوارض دیابت از جمله نفروپاتی استفاده نکرده‌اند. لذا در این مطالعه، مدل رگرسیون فازی برای پیش‌بینی نفروپاتی در بیمار دیابتی استفاده شده است. روش‌ها: در پژوهش حاضر از نتایج GFR آزمایشات قبلی بیمار برای پیش‌بینی افق دورتری از GFR و در نهایت پیش‌بینی عارضه‌ی کلیوی استفاده شده است. بیماری‌های مزمن کلیوی براساس مقدار GFR سطح‌بندی شده است که فازی سازی داده‌ها براساس این سطوح انجام شده است. پیش‌بینی GFR طی مراحل زیر انجام شد: مرحله‌ی 1، تعریف مجموعه‌های فازی براساس سطوح GFR، که برای هر سطح یک مجموعه فازی در نظر گرفته شده است. مرحله‌ی 2، فازی سازی داده‌های بیمار براساس مجموعه‌های فازی. مرحله‌ی 3، پیش‌بینی GFR با مدل رگرسیون فازی. مرحله‌ی 4، غیرفازی سازی مقادیر پیش‌بینی با استفاده از غیرفازی ساز میانگین. مرحله‌ی 5، ارزیابی کارایی مدل. خطای RMSE برای مقایسه کارایی مدل استفاده شده است. یافته‌ها: نتایج پیش‌بینی GFR نشان داد که، مقایسه RMSE با استفاده از مدل رگرسیون خطی ساده 10.09 و با استفاده از مدل فازی 4.24 بود. نتیجه گیری: مدل رگرسیون فازی قادر به پیش‌بینی نفروپاتی در بیماران دیابتی است.
کلیدواژه‌های فارسی مقاله پیش‌بینی، نفروپاتی دیابتی، دیابت، رگرسیون فازی، عدم قطعیت
عنوان انگلیسی NEPHROPATHY PREDICTION IN DIABETIC PATIENT USING FUZZY REGRESSION MODEL
چکیده انگلیسی مقاله Background: Diabetes is one of the most dangerous and common diseases of the modern world. Since medical research usually has limited data available and medical data is very ambiguous, it seems appropriate to use the fuzzy model to find out the relationship between input and output in medical data. None of the previous articles of fuzzy regression have been used to predict complications of diabetes, including nephropathy. Therefore, in this study, a fuzzy regression model was used to predict nephropathy in a diabetic patient. Methods: In the present study, GFR results of previous patient experiments were used to predict a deeper horizons of GFR and ultimately to predict renal disease. Chronic kidney disease has been stratified based on the amount of GFR, that fuzzy data has been constructed based on these levels. The GFR prediction was performed in the following steps. Step 1: Define fuzzy sets based on the GFR level, which is considered for each level of a fuzzy set. Step 2: Fuzzify patient data Based on fuzzy sets. Step 3: GFR prediction with fuzzy regression model. Step 4: Defuzzifying the predictions. Step 5: Evaluating the model efficiency. The RMSE error is used to compare the performance of the model. Results: The results of GFR prediction showed that comparison RMSE was 10.09 with using simple linear regression model and 4.24 in fuzzy model. Conclusions: fuzzy regression model can predict nephropathy in diabetic patients.
کلیدواژه‌های انگلیسی مقاله Prediction, Diabetes, Diabetic Nephropathy, Fuzzy Regression
نویسندگان مقاله نرگس شفاعی بجستانی | Narges Shafaei Bajestani
1. Department of Electrical Engineering, Gonabad Branch, Islamic Azad University, Gonabad, Iran
گروه برق

مریم آرادمهر | Maryam Aradmehr
MSc of Midwifery, Department of Midwifery, School of Nursing and Midwifery, Sabzevar University of Medical Sciences, Sabzevar, Iran
گروه مامایی، دانشکده‌ی پرستاری و مامایی

انسیه نسلی اصفهانی | Ensieh Nasli Esfahani
3. Diabetes Research Center, Endocrinology and Metabolism Clinical Sciences Institute, Tehran University of Medical Sciences, Tehran, Iran
مرکز تحقیقات دیابت، پژوهشکده‌ی علوم غدد و متابولیسم

بهروز خیابانی تنها | Behrooz Khiabani tanha
4. Parsian Diabetes Research Center, Mashhad, Iran
مرکز تحقیقات دیابت پارسیان

نشانی اینترنتی http://ijdld.tums.ac.ir/browse.php?a_code=A-10-888-1&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 کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات