دوره 4، شماره 4 - ( زمستان 1396 )
جلد 4 شماره 4 صفحات 304-291 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Lal Dahti J, Mohammadi M, Padidaran Moghadam F. A Method for the Diagnosis of Metabolic Syndrome based on KNN Data Mining Algorithm: A case study in Shohada-ye Kargar Hospital in Yazd, Iran. jhbmi 2018; 4 (4) :291-304
URL: http://jhbmi.ir/article-1-229-fa.html
URL: http://jhbmi.ir/article-1-229-fa.html
لعل دشتی جواد، محمدی محسن، پدیدران مقدم فرهنگ. ارایه روشی جهت تشخیص سندرم متابولیک بر مبنای الگوریتم داده کاوی KNN، مطالعه موردی: بیمارستان شهدای کارگر یزد
. مجله انفورماتیک سلامت و زیست پزشکی. 1396; 4 (4) :291-304
دکتری فناوری اطلاعات، استادیار گروه کامپیوتر مجتمع آموزش عالی فنی مهندسی اسفراین، اسفراین، ایران
چکیده: (7570 مشاهده)
مقدمه: سندروم متابولیک به معنای وجود گروهی از عوامل خطر‌ساز برای بروز بیماری‌‌های قلبی- عروقی و دیابت در یک شخص است. وجود علائم و ویژگی‌های مختلف این بیماری، تشخیص را برای پزشکان دشوار می‌کند. داده‌کاوی امکان تحلیل داده‌های بالینی بیماران برای تصمیم‌گیری‌های پزشکی را فراهم می‌کند. هدف این مقاله، ارائه یک مدل برای افزایش دقت پیش‌بینی سندرم متابولیک است.
روش: در این مطالعه کاربردی-توصیفی، پرونده پزشکی 1499 بیمار مبتلا به سندرم متابولیک با تعداد 15 ویژگی مورد بررسی قرار گرفت. اطلاعات بیماران از پایگاه داده استاندارد بیمارستان فوق تخصصی شهدای گارگر یزد جمع‌آوری شد. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بودند. در این مقاله برای پیش‌بینی و تشخیص سندرم متابولیک، از الگوریتم کلونی زنبور‌عسل برای بهینه‌سازی نتایج الگوریتم داده‌کاوی KNN استفاده شد و یک مدل جدید ارائه گردید.
نتایج: بر اساس تابع هدف برای پیش‌بینی عارضه افزایش چربی خون از روش پیشنهادی، الگوریتم‌های گرگ خاکستری، ازدحام ذرات و ژنتیک برای بهبود عملکرد الگوریتم KNN استفاده شد. تحلیل‌های صورت گرفته نشان می‌دهد که مدل پیشنهادی با دقت پیش‌بینی 0/921 از روش‌های فازی، ماشین بردار پشتیبان، درخت‌تصمیم و شبکه عصبی دقت بیشتر‌ی دارد.
نتیجه‌گیری: جستجو در پایگاه داده‌های پزشکی برای رسیدن به دانش و اطلاعات جهت پیش‌بینی، تشخیص و تصمیم‌گیری از کاربردهای داده‌کاوی در پزشکی است. می‌توان از الگوریتم‌های وراثتی برای بهینه‌سازی تکنیک‌های داده‌کاوی استفاده کرد. پیش‌بینی و تشخیص صحیح سندرم متابولیک با استفاده از هوش مصنوعی و یادگیری ماشین، شانس درمان موفق را بالا می‌برد.
روش: در این مطالعه کاربردی-توصیفی، پرونده پزشکی 1499 بیمار مبتلا به سندرم متابولیک با تعداد 15 ویژگی مورد بررسی قرار گرفت. اطلاعات بیماران از پایگاه داده استاندارد بیمارستان فوق تخصصی شهدای گارگر یزد جمع‌آوری شد. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بودند. در این مقاله برای پیش‌بینی و تشخیص سندرم متابولیک، از الگوریتم کلونی زنبور‌عسل برای بهینه‌سازی نتایج الگوریتم داده‌کاوی KNN استفاده شد و یک مدل جدید ارائه گردید.
نتایج: بر اساس تابع هدف برای پیش‌بینی عارضه افزایش چربی خون از روش پیشنهادی، الگوریتم‌های گرگ خاکستری، ازدحام ذرات و ژنتیک برای بهبود عملکرد الگوریتم KNN استفاده شد. تحلیل‌های صورت گرفته نشان می‌دهد که مدل پیشنهادی با دقت پیش‌بینی 0/921 از روش‌های فازی، ماشین بردار پشتیبان، درخت‌تصمیم و شبکه عصبی دقت بیشتر‌ی دارد.
نتیجه‌گیری: جستجو در پایگاه داده‌های پزشکی برای رسیدن به دانش و اطلاعات جهت پیش‌بینی، تشخیص و تصمیم‌گیری از کاربردهای داده‌کاوی در پزشکی است. می‌توان از الگوریتم‌های وراثتی برای بهینه‌سازی تکنیک‌های داده‌کاوی استفاده کرد. پیش‌بینی و تشخیص صحیح سندرم متابولیک با استفاده از هوش مصنوعی و یادگیری ماشین، شانس درمان موفق را بالا می‌برد.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
