استفاده از تکنیک های داده کاوی جهت تشخیص دیابت با استفاده از چربی خون

سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 201

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SHIMU-23-4_025

تاریخ نمایه سازی: 7 آذر 1400

چکیده مقاله:

مقدمه: بیماری دیابت یکی از شایع ترین، خطرناک ترین و پرهزینه ترین بیماری های حال حاضر دنیا است که با نرخ هشدار دهنده ای در حال افزایش است. استفاده از روش های داده کاوی می تواند به تشخیص زودهنگام دیابت کمک کند که باعث جلوگیری از پیشرفت این بیماری و خیلی از عوارض آن مانند بیماری قلب و عروق، مشکلات بینایی و بیماری های کلیوی می شود. مواد و روش ها: در این تحقیق از نرم افزار داده کاوی رپیدماینر برای مدل سازی به منظور دسته بندی بیماران به دیابتی و غیر دیابتی استفاده شده است. داده های مورد نیاز این تحقیق از پایگاه داده یکی از آزمایشگاه های شهرستان نهاوند استخراج شده است که شامل داده های ۵۷۰۶ بیمار در بازه سال های ۱۳۸۷ تا ۱۳۹۲ است. این داده ها شامل متغیرهای عمومی سن و جنسیت و هم چنین متغیرهای انواع چربی خون و میزان قندخون ناشتا است. یافته های پژوهش: پس از مدل سازی با استفاده از تکنیک های مختلف دسته بندی بهترین دقت مدل مربوط به مدل درخت تصمیم C۴.۵ بوده که برابر ۹۰/۰۲ درصد  می باشد. بحث و نتیجه گیری: به منظور تشخیص به موقع دیابت تکنیک های مختلفی با روش ها و متغیرهای گوناگونی ارائه گردیده است. در تحقیق پیش رو نیز با استفاده از رابطه هم افزایی انواع چربی خون با قندخون ناشتا و با استفاده از تکنیک های داده کاوی روشی برای تشخیص دیابت ارائه شده است.

نویسندگان

رضا رافع

Arak University

محمد اربابی

Islamic Azad University, Malayer Branch

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ۱.Nazarzadeh M, Bidel Z, Sanjari Moghaddam A. Meta analysis of ...
  • ۲.Janahmadi Z, Nekooeian AA, Mozafari M. Hydroalcoholic extract of Allium ...
  • Elsappagh S, Elmogy M, Riad AM. A fuzzy ontology oriented ...
  • Baronepel O, Heymann AD, Friedman N, Kaplan G. Development of ...
  • Chaoton S, Chienhsin Y, Kuanghung H, Wenko C. Data mining ...
  • Santi WP. A new smooth support vector machine and its ...
  • Barakat NB, Bradley AP, Barakat MNH. Intelligible support vector machines ...
  • Worachartcheewan A, Shoombuatong W, Pidetcha P, Nopnithipat W, Prachayasittikul V, ...
  • ۹.Esteghaamati A. Comprehensive guide diagnosis and treatment diabetes. Spe Soc ...
  • Hische M, Larhlimi A, Schwarz F, Fischerrosinsky A, Bobbert T, ...
  • Meng XH, Huang YX, Rao DP, Zhang Q, Liu Q ...
  • Karaolis MA, Moutiris JA, Hadjipanayi D, Pattichis CS. Assessment of ...
  • Toussi M, Lamy JB, Le Toumelin P, Venot A. Using ...
  • Asadollahi K, Delpisheh A, Asadollahi P, Abangah G. Hyperglycaemia and ...
  • نمایش کامل مراجع