بررسی عوامل تاثیرگذار بر بیماری دیابت با استفاده از رویکردهای یادگیری تجمعی در درمانگاه مطهری شیراز ۱۴۰۴

دیابت نوع ۲ یکی از شایع ترین بیماری های مزمن غیرواگیر در جهان است که شناسایی زودهنگام افراد پرخطر نقش مهمی در پیشگیری و کاهش عوارض آن دارد. هدف از پژوهش حاضر، پیش بینی ابتلا به دیابت در بیماران مراجعه کننده به درمانگاه مطهری شیراز با استفاده از الگوریتم یادگیری ماشین Bagging و شناسایی مهم ترین عوامل موثر بر بروز این بیماری بود. این مطالعه به صورت توصیفی– تحلیلی و مقطعی در سال ۱۴۰۴ انجام شد. متغیرهای مورد بررسی شامل سن، جنس، شاخص توده بدنی (BMI)، سابقه خانوادگی دیابت، سطح استرس، فعالیت فیزیکی و وضعیت HbA۱c بود. پس از پاکسازی و کدگذاری داده ها، مدل Bagging مبتنی بر درخت تصمیم بر روی داده ها آموزش داده شد و عملکرد آن با استفاده از معیارهای استاندارد ارزیابی مدل های طبقه بندی مورد سنجش قرار گرفت. نتایج نشان داد که مدل Bagging توانست ابتلا به دیابت را با دقت ۸۷٪، حساسیت ۸۵٪، ویژگی ۸۸٪ و مساحت زیر منحنی ROC برابر با ۰٫۹۱ پیش بینی کند که بیانگر عملکرد بسیار مطلوب مدل است. تحلیل اهمیت ویژگی ها نشان داد که شاخص توده بدنی با سهم ۳۵٪، سابقه خانوادگی دیابت با ۳۰٪ و سطح استرس با ۲۰٪ بیشترین نقش را در پیش بینی ابتلا به دیابت دارند، در حالی که فعالیت فیزیکی و وضعیت HbA۱c نقش حمایتی و کمتری ایفا می کنند. همچنین، بین افزایش BMI و ابتلا به دیابت همبستگی مثبت و معنی دار مشاهده شد و افراد دارای سابقه خانوادگی مثبت تقریبا ۲٫۳ برابر بیش از سایرین در معرض ابتلا به دیابت قرار داشتند. یافته های این پژوهش نشان می دهد که به کارگیری الگوریتم های یادگیری ماشین، به ویژه Bagging، می تواند به عنوان ابزاری کارآمد در شناسایی بیماران پرخطر، تصمیم گیری های بالینی و طراحی برنامه های پیشگیرانه در مراکز درمانی مورد استفاده قرار گیرد. ترکیب شاخص های بالینی، ژنتیکی و روانشناختی در مدل های پیش بینی، دقت تشخیص را افزایش داده و می تواند نقش موثری در کاهش بار بیماری دیابت در جامعه ایفا کند.

کلیدواژه ها:

دیابت نوع ۲ ، الگوریتم یادگیری ماشین ، الگوریتم Bagging ، شاخص توده بدنی ، پیش بینی بیمار