طبقهبندی دیابت با استفاده از تکنیک های یادگیری ماشین

دیابت به عنوان یکی از بیماری های مزمن و پراهمیت حوزه سلامت، همواره مورد توجه پژوهشگران بوده است. عدم تشخیص به موقع آن می تواند منجر به بروز عوارض جبران ناپذیر و افزایش بار درمانی شود. با گسترش داده های حوزه سلامت و پیشرفت الگوریتم های یادگیری ماشین، امکان بهره گیری از این تکنیک ها برای بهبود فرآیند تشخیص بیماری ها به ویژه دیابت فراهم شده است. در این مقاله با هدف ارتقای دقت طبقه بندی دیابت، از مجموعه داده Diabetes Prediction Dataset استفاده شده و چندین الگوریتم یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان و k-نزدیک ترین همسایه پیاده سازی و ارزیابی شده اند. داده ها ابتدا مورد پیش پردازش قرار گرفتند و سپس با تقسیم بندی به داده های آموزشی و آزمایشی، مدل ها آموزش دیده و با استفاده از معیار هایی مانند دقت، حساسیت، ویژگی و امتیاز F۱ مورد مقایسه قرار گرفتند. نتایج نشان دادند که برخی از الگوریتم ها از عملکرد بهتری در طبقه بندی داده های مربوط به بیماران دیابتی برخوردارند و می توان از آن ها به عنوان ابزار های کمکی در تصمیم گیری های کلینیکی بهره گرفت. یافته های این تحقیق نشان دهنده ظرفیت بالای الگوریتم های یادگیری ماشین در ارتقاء فرآیند تشخیص بیماری دیابت و توسعه سامانه های هوشمند سلامت محور است. نتایج نشان داد که الگوریتم جنگل تصادفی عملکرد بهتری نسبت به سایر روش ها داشته است؛ به گونه ای که دقت ۶۹٪، صحت ۴۹٪، فراخوانی ۹۱٪، امتیاز F۱ معادل ۹۲٪ و سطح زیر منحنی (AUC) برابر با ۹۹٪ به دست آمد. یافته های این مطالعه نشان دهنده ظرفیت بالای روش های یادگیری ماشین در توسعه سامانه های هوشمند برای تشخیص و پایش بیماری دیابت است.

کلیدواژه ها:

دیابت ، یادگیری ماشین ، روش های طبقه بندی ، درخت تصمیم ، جنگل تصادفی ، ماشین بردار پشتیبان ، k-نزدیک ترین همسایه