ارايه روشي جهت تشخيص سندرم متابوليك بر مبناي الگوريتم داده كاوي knn، مطالعه موردي: بيمارستان شهداي كارگر يزد

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

سندروم متابوليك به معناي وجود گروهي از عوامل خطر ساز براي بروز بيماري هاي قلبي عروقي و ديابت در يك شخص است. وجود علائم و ويژگي هاي مختلف اين بيماري، تشخيص را براي پزشكان دشوار مي كند. داده كاوي امكان تحليل داده هاي باليني بيماران براي تصميم گيري هاي پزشكي را فراهم مي كند. هدف اين مقاله، ارائه يك مدل براي افزايش دقت پيش بيني سندرم متابوليك است.روش: در اين مطالعه كاربرديتوصيفي، پرونده پزشكي 1499 بيمار مبتلا به سندرم متابوليك با تعداد 15 ويژگي مورد بررسي قرار گرفت. اطلاعات بيماران از پايگاه داده استاندارد بيمارستان فوق تخصصي شهداي گارگر يزد جمع آوري شد. هر يك از بيماران حداقل به مدت يك سال تحت پيگيري بودند. در اين مقاله براي پيش بيني و تشخيص سندرم متابوليك، از الگوريتم كلوني زنبور عسل براي بهينه سازي نتايج الگوريتم داده كاوي knn استفاده شد و يك مدل جديد ارائه گرديد.نتايج: بر اساس تابع هدف براي پيش بيني عارضه افزايش چربي خون از روش پيشنهادي، الگوريتم هاي گرگ خاكستري، ازدحام ذرات و ژنتيك براي بهبود عملكرد الگوريتم knn استفاده شد. تحليل هاي صورت گرفته نشان مي دهد كه مدل پيشنهادي با دقت پيش بيني 0/921 از روش هاي فازي، ماشين بردار پشتيبان، درخت تصميم و شبكه عصبي دقت بيشتر ي دارد.نتيجه گيري: جستجو در پايگاه داده هاي پزشكي براي رسيدن به دانش و اطلاعات جهت پيش بيني، تشخيص و تصميم گيري از كاربردهاي داده كاوي در پزشكي است. مي توان از الگوريتم هاي وراثتي براي بهينه سازي تكنيك هاي داده كاوي استفاده كرد. پيش بيني و تشخيص صحيح سندرم متابوليك با استفاده از هوش مصنوعي و يادگيري ماشين، شانس درمان موفق را بالا مي برد.

Introduction: 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. Method: In this applied-descriptive study, the medical records of 1499 patients with metabolic syndrome with 15 characteristics were investigated. Patients' 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. Results: 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 fuzzy methods, backup vector machine, tree decomposition and neural network. Conclusion: 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.