پيش‌بيني و تعيين هوشمند دُز صحيح انسولين در بيماران ديابتي براساس تشخيص فازي بيماري ديابت

PREDICTION an‎d DETERMINATION OF THE CORRECT DOSE OF INSULIN IN DIABETIC PATIENTS BASED ON DIABETES FUZZY DIAGNOSIS

مقدمه: تشخيص به موقع بيماري ديابت به‌طور چشم‌گيري صدمات و آسيب‌هاي ناشي از اين بيماري را در جامعه كاهش مي‌دهد. ديابت بيماري است كه علاوه بر پيشگيري، نياز به مراقبت‌هاي فراواني از قبيل پيش بيني صحيح ميزان نوسانات سطح قند خون دارد. از مهم‌ترين عوارض اين بيماري مي‌توان به بيهوشي، كما و حتي مرگ اشاره كرد. امروزه در اين بيماران، تعيين صحيح دُز انسولين براساس تجربه و دانش پزشكان در كنار تعامل بيماران با آن‌ها مشخص مي‌شود، هر چند كه وجود خطاهاي انساني اجتناب ناپذير است. روش‌ها‌: در اين تحقيق 124 بيمار و 188 فرد سالمِ مشكوك به بيماري براساس 21 ويژگي (7 ويژگي به‌منظور تشخيص، 14 ويژگي به‌منظور پيش‌بيني دُز انسولين) مورد مطالعه و بررسي قرار گرفتند، سپس سيستمي ارائه شد كه ابتدا شناسايي يا تشخيص بيماري را انجام دهد، بعد براي افراد بيمار، مهم‌ترين داروي اين بيماران، يعني دُز انسولين مشخص كند. سيستم پيشنهادي داراي دو مرحله (تشخيص بيماري و پيش‌بيني) و چندين زير سيستم مي‌باشد. در مرحله‌ي تشخيص بيماري، زير سيستم‌هايي از قبيل سيستم فازي (Fuzzy) به‌منظور برآورد صحيح پيشرفت بيماري در بيماران، درخت تصميم‌گيري (D-T) به‌منظور تهيه قوانين در سيستم فازي (فرآيند نگاشت فضاي ويژگي (افراد) به خروجي (نتيجه‌ي تشخيص)) استفاده شده است. همچنين در مرحله‌ي پيش‌بيني دُز انسولين از الگوريتم‌هاي كاوشي (BPSO) به‌منظور انتخاب بهترين ويژگي‌ها، الگوريتم‌هاي طبقه‌بندي (SVM) به‌منظور طبقه‌بندي ويژگي‌هاي مؤثر از غير مؤثر و سيستم‌هاي انطباقي مصنوعي فازي – عصبي (ANFIS) براي پيش‌بيني نهايي داروي بيماران استفاده شده است. يافته‌‌ها: سيستم پيشنهادي براساس بهترين ويژگي‌ها در بانك داده تهيه شده در قالب تركيب و تعامل موفق شد به دقت 95/1% دست يابد، كه البته در هنگام مقايسه با ساير روش‌هاي معمول به سرعت قابل توجه و عملكرد مناسب آن و البته دقت بالاي آن پي‌ مي‌بريم. نتيجه‌گيري:‌ نتايج به‌دست آمده به‌ميزان قابل توجهي نسبت به تحقيقات قبلي بهبود يافت. همچنين در مقايسه با نتايج پزشكان، نشان دهنده‌ي عملكرد خوب در صحت پيش‌بيني سري زماني غلظت قند خون است، چرا كه سيستم پيشنهادي موفق شد، سطح قند خون تا 48 ساعت آينده را پيش‌بيني نمايد

Background: On time diabetes diagnosis dramatically reduces the many injuries and damage in the community. Diabetes is a disease that requires a lot of care in addition to prevention, such as prediction the correct level of blood sugar fluctuations. The most important complications of such disease are anesthesia, coma and even death at final. Today, in these patients, determining the correct dose of insulin is based on the experience and knowledge of physicians along with the interaction of patients with them, although human error is inevitable. Methods: This study includes 124 patients and 188 healthy suspects were examined based on 21 features which hold by 7 features for diagnosis and 14 features for predicting insulin dose. The proposed system was presented to identify or diagnose the disease at first, and finally the correct doses of insulin for patients have been determine. The proposed system has two stages (which include diagnosis and prediction) and several subsystems. In the diagnosis phase, some sub systems such as the Fuzzy system for the purpose of accurately estimating the disease progression in patients and the decision tree (DT) for the preparation of rules in the fuzzy system (the process of mapping the attribute space (individuals) to the output (the diagnostic result)) have used. Also, in the prediction phase of insulin dose, the BPSO algorithms are used to select the best features. Classification algorithms (SVMs) are used to categorize effective to non-effective and adaptive artificial neuropsychological (ANFIS) systems for ultimate patient prediction have used. Results: The proposed system, based on the best features in the provided data base in the form of the combination and interaction, succeeded to achieve a 95.1% precision, of course due to comparing by other commonly used methods and its performance the proposed method have high precision. Conclusion: The results were significantly improved compared to previous studies. Also, in comparison with the results of physicians, it is indicative of good performance in predicting the accuracy of the time series of glucose concentration because the proposed system succeeded in predicting blood sugar levels for up to 48 hours.