fa ارایه روشی جهت تشخیص سندرم متابولیک بر مبنای الگوریتم داده کاوی KNN، مطالعه موردی: بیمارستان شهدای کارگر یزد داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color:black;">مقدمه:</span></strong> 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.<br> <strong><span style="color:black;">روش:</span></strong> 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 <span dir="LTR"><span style="font-size:11.0pt;">KNN</span></span> استفاده شد و یک مدل جدید ارائه گردید.<br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> بر اساس تابع هدف برای پیش‌بینی عارضه افزایش چربی خون از روش پیشنهادی، الگوریتم‌های گرگ خاکستری، ازدحام ذرات و ژنتیک برای بهبود عملکرد الگوریتم <span dir="LTR"><span style="font-size:11.0pt;">KNN</span></span> 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.<br> <strong>نتیجه‌گیری:</strong> 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.</span><br> &nbsp;</div> <div style="text-align: justify;"><strong>Introduction:</strong> Metabolic syndrome is a group of risk factors for developing cardiovascular diseases and diabetes in an individual. The presence of various signs and symptoms makes the diagnosis of this disease difficult. Data mining can provide clinical data analysis of patients for medical decision-makings. The purpose of this study was to provide a model for increasing the predictive accuracy of metabolic syndrome.<br> <strong>Method:</strong> In this applied-descriptive study, the medical records of 1499 patients with metabolic syndrome with 15 characteristics were investigated. Patients&#39; information is collected from the standard database of Yazd Shohada-ye kargar Hospital. Each patient was followed for at least one year. In this paper, GBC algorithm was used to optimize the results of KNN data mining algorithm to predict and diagnose metabolic syndrome, and a new model was presented.<br> <strong>Results:</strong> Based on the objective function to predict the increase of blood lipids in the proposed method, gray wolf algorithms, particle swarm and genetics were used to improve the performance of the KNN algorithm. The analyses show that the proposed model with the precision accuracy of 0.921 has a greater accuracy compared to &nbsp;fuzzy methods, backup vector machine, tree decomposition and neural network.<br> <strong>Conclusion:</strong> Search in medical databases for the purpose of obtaining knowledge and information to predict, diagnose, and decision making are some applications of data mining in medicine. Hereditary algorithms can be used to optimize data mining techniques. The prediction and proper diagnosis of metabolic syndrome by using artificial intelligence and machine learning increases the chance of successful treatment.<br> &nbsp;</div> سندرم متابولیک‌, الگوریتم کلونی زنبور عسل, درخت تصمیم Metabolic syndrome, Bee colony algorithm, Decision tree 291 304 http://jhbmi.ir/browse.php?a_code=A-10-311-1&slc_lang=fa&sid=1 Javad Lal Dahti جواد لعل دشتی j.lal.dashti@gmail.com 10031947532846003684 10031947532846003684 No کارشناسی ارشد مهندسی کامپیوتر، موسسه آموزش عالی غیرانتفاعی اشراق، بجنورد، ایران Mohsen Mohammadi محسن محمدی mohsen@esfarayen.ac.ir 10031947532846003685 10031947532846003685 Yes Ph.D. in Information Technology, Associate Professor, Computer Dept., Esfarayen University of Technology, Esfarayen, Iran دکتری فناوری اطلاعات، استادیار گروه کامپیوتر مجتمع آموزش عالی فنی مهندسی اسفراین، اسفراین، ایران Farhang Padidaran Moghadam فرهنگ پدیدران مقدم padidaran@gmail.com 10031947532846003686 10031947532846003686 No دکتری فناوری اطلاعات، استادیار گروه کامپیوتر، موسسه آموزش عالی غیرانتفاعی اشراق، بجنورد، ایران