پديد آورندگان :
جهاني، ميثم دانشگاه قم - دانشكده فني و مهندسي , رضايي نور، جلال دانشگاه قم - دانشكده فني و مهندسي - گروه مهندسي صنايع , مهدوي، مهدي دانشگاه ايراسموس روتردام - موسسه مديريت و سياستگذاري سلامت , هداوندي، اسماعيل دانشگاه صنعتي بيرجند - دانشكده مهندسي صنايع و كامپيوتر - گروه مهندسي صنايع
كليدواژه :
ديابت , تكنيك پشتيبان تصميم گيري , شبكه عصبي , الگوريتم ژنتيك , الگوريتم ممتيك
چكيده فارسي :
مقدمه: الگوريتم هاي فرا ابتكاري و تركيبي از توانمندي بالايي در مدل سازي مسائل پزشكي برخوردارند. در اين مطالعه از شبكه عصبي به منظور پيش بيني ابتلا به ديابت در ميان افراد مستعد ديابت استفاده گرديد.
روش كار: پژوهش حاضر از نوع كاربردي و جامعه ي هدف آن متشكل از 545 فرد بيمار و سالم از مركز ديابت دانشگاه علوم پزشكي همدان جمع آوري گرديد جهت پيش بيني بيماري ديابت استفاده شده است. در اين مطالعه از الگوريتم ممتيك كه تلفيقي است از الگوريتم ژنتيك و الگوريتم جستجوي محلي است، به منظور به روز رساني وزن هاي شبكه عصبي و توسعه دقت شبكه عصبي استفاده شده است.
يافته ها: بررسي اوليه نشان داد كه دقت شبكه عصبي، 88درصد، مي باشد. بعد از بروز رساني وزن ها با الگوريتم ممتيك دقت آن به 93/2 درصد افزايش يافت. براي مدل پيشنهادي به ترتيب حساسيت، ويژگي، ارزش اخباري مثبت، ارزش اخباري منفي، مساحت زير منحني 96/2، 92/4، 93/8، 95/3، 0/958 براي مدل الگوريتم ژنتيك، 98، 84/8، 88/6، 98/2، 0/952 و براي مدل رگرسيون لجستيك، 95/6، 84/5، 94/7، 0/87، 0/916 به دست آمد.
نتيجه گيري: بر اساس يافته هاي اين پژوهش، مدل هاي شبكه هاي عصبي در مقايسه با مدل رگرسيون از ميزان خطاي كمتري در تشخيص بيماري بر اساس متغيرهاي فردي و سبك زندگي برخوردارند. يافته هاي اين مطالعه مي تواند به برنامه ريزان و ارائه كنندگان خدمات سلامت در برنامه هاي غربالگري و تشخيص به موقع بيماري ديابت كمك مي نمايد
چكيده لاتين :
Introduction: Meta-heuristic and combined algorithms have a great capability in modelling
medical decision making. This study used neural networks in order to predict Type 2 Diabetes
(T2D) among high risk individuals.
Methods: This study was an applied research. Data from 545 individuals (diabetic and nondiabetic),
in Diabetes Clinic of Hamedan University of Medical Sciences, were used to develop
predictive diabetes models. Memetic algorithms which are a combination of genetic algorithm
(GA), local search algorithm, and neural networks were applied to update weights and improve
predictive accuracy of neural network models. In the first step, optimum parameters for neural
networks such as momentum rate, transfer functions, and error functions were examined through
trial and error and other studies.
Results: The preliminary analysis showed that the accuracy of neural networks was 88 percent. The
use of memetic algorithm improved its accuracy to 93.2 percent. Among models, regression model
had the least accuracy. For the memetic algorithm model the amount of sensitivity, specificity,
positive predictive value, negative predictive value, and area under the curve were 96.2, 95.3, 93.8,
92.4, and 0.958, respectively. These parameters for GA were 98.0, 84.8, 88.6, 98.2, and 0.952 and
for the logistic regression model were 95.6, 84.5, 94.7, 87.0, and 0.916, respectively.
Conclusions: Models developed by neural networks have a higher predictive accuracy than the
regression model. The results of this study can contribute to risk management and planning of
health services by providing healthcare decision makers with more accurate predictive models
based on clinical and life style characteristics of individuals.
