این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله اپیدمیولوژی ایران، جلد ۱۱، شماره ۴، صفحات ۴۶-۵۴
عنوان فارسی مقایسه روش‌های مختلف یادگیری ماشین در تشخیص پرفشاری خون در بیماران دیابتی با و بدون در نظر گرفتن هزینه‌ها
چکیده فارسی مقاله مقدمه و اهداف: بیماران دیابتی همواره در معرض ابتلا به پرفشاری خون هستند. هدف از این تحقیق طراحی یک مدل پیش‌بینی پرفشاری خون در میان افراد مبتلا به دیابت، مبتنی بر هزینه و با در نظر گرفتن توزیع این بیماری در جامعه بود، که تا حد ممکن عملکرد مناسبی داشته باشد. روش کار: در این پژوهش تلاش شد تا با استفاده از روش‌های مختلف یادگیری ماشین، یک مدل پیش‌بینی مبتنی بر هزینه طراحی شود که تا حد ممکن بهترین عملکرد در پیش‌بینی افراد دیابتی در معرض خطر پرفشاری خون را داشته باشد. از میان الگوریتم‌های داده‌کاوی، از الگوریتم‌های درخت تصمیم، ماشین بردار پشتیبانی، شبکه عصبی و نیز رگرسیون لجستیک استفاده شد. برای انجام این پژوهش از داده‌های‌ مربوط به غربالگری بیماران دیابتی برای تشخیص پرفشاری خون در استان آذربایجان شرقی استفاده شد. یافته‌ها: افزایش فشار خون سیستول به میزان 130 میلی‌متر جیوه، فرد دیابتی را بیشتر در معرض پرفشاری خون قرار می‌دهد. با رویکرد غیر هزینه‌محور، به شاخص یودن حدود 68 درصد رسیدیم. زمانی که رویکرد هزینه‌ محور به کار بسته می‌شود، بیشترین شاخص یودن (11/47 درصد) مربوط به شبکه عصبی است، هر چند هدف در اینجا حداقل‌سازی هزینه است که در راستای این هدف، درخت تصمیم و رگرسیون لجستیک بهترین عملکرد را دارند. نتیجه‏ گیری: در مسائل پیش‌بینی بیماری‌ها در جوامع، حساس به هزینه کردن روش‌ها و در نظر گرفتن توزیع واقعی بیماری در جامعه اهمیت بیش‌تری دارد تا این‌که تنها هدف، کمینه کردن تعداد خطاهای دسته‌بندی روی مجموعه داده‌ی موجود باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Comparison of Various Machine Learning Methods in Diagnosis of Hypertension in Diabetics with/without Consideration of Costs
چکیده انگلیسی مقاله Background and Objectives: Diabetic patients are always at risk of hypertension. In this paper, the main goal was to design a native cost sensitive model for the diagnosis of hypertension among diabetics considering the prior probabilities. Methods: In this paper, we tried to design a cost sensitive model for the diagnosis of hypertension in diabetic patients, considering the distribution of the disease in the general population. Among the data mining algorithms, Decision Tree, Artificial Neural Network, K-Nearest Neighbors, Support Vector Machine, and Logistic Regression were used. The data set belonged to Azarbayjan-e-Sharqi, Iran. Results: For people with diabetes, a systolic blood pressure more than 130 mm Hg increased the risk of hypertension. In the non-cost-sensitive scenario, Youden's index was around 68%. On the other hand, in the cost-sensitive scenario, the highest Youden's index (47.11%) was for Neural Network. However, in the cost-sensitive scenario, the value of the imposed cost was important, and Decision Tree and Logistic Regression show better performances. Conclusion: When diagnosing a disease, the cost of miss-classifications and also prior probabilities are the most important factors rather than only minimizing the error of classification on the data set.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی تیموری | m teimouri
assistant professor, department of network science and technology, faculty of new sciences and technologies, university of tehran, tehran, iran
تهران، خیابان کارگر شمالی، روبروی خیابان دهم، دانشکده علوم و فنون نوین دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

الهام ابراهیمی | e ebrahimi
msc student in medical information technology, department of network science and technology, faculty of new sciences and technologies, university of tehran, tehran, iran
دانشجوی کارشناسی ارشد گروه علوم و فناوری شبکه، دانشکده علوم و فنون نوین، دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

سید محمد علوی نیا | sm alavinia
assistant professor, vector-borne diseases research center, north khorasan university of medical sciences, bojnurd, iran
استادیار مرکز تحقیقات بیماری های منتقله به وسیله ناقلین، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی خراسان شمالی
سازمان اصلی تایید شده: دانشگاه علوم پزشکی خراسان شمالی (Khorasan shomali university of medical sciences)

نشانی اینترنتی http://irje.tums.ac.ir/browse.php?a_code=A-10-25-5136&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
نوع مقاله منتشر شده 1
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات