پیش بینی دیابت با استفاده از الگوریتم Adaboost در مردان فعال

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 28

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IMSJ-44-851_002

تاریخ نمایه سازی: 1 تیر 1405

چکیده مقاله:

مقدمه: دیابت، بر بیماری های قلبی- عروقی، از دست دادن بینایی و بیماری های کلیوی تاثیر می گذارد. تکنیک های داده کاوی به پیش بینی زودهنگام و درمان دقیق بیماری پزشکان را کمک می کند. با توجه به نقش فعالیت بدنی در پیشگیری از دیابت، این مطالعه به بررسی تاثیر آن در کنار سایر عوامل خطر پرداخت. بنابراین، هدف اصلی این مطالعه، پیش بینی دیابت با استفاده از الگوریتم Adaboost در مردان فعال بود.. روش ها: در این مطالعه ی توسعه ای- کاربردی، پرونده ی ۵۰۰ ‎بیمار مرد در محدوده ی سنی ۲۰-۸۰ سال و با سابقه ی فعالیت بدنی منظم (حداقل ۳ جلسه ۹۰ دقیقه ای در هفته) که در ۱۰ سال گذشته در بیمارستان های میلاد و آیت الله کاشانی تهران مراجعه کرده بودند به عنوان نمونه انتخاب شدند. تعداد۲۰ متغیر آنتروپومتری، ژنتیکی، سابقه ی خانوادگی، عوامل محیطی و فیزیولوژیکی به عنوان ویژگی های ورودی الگوریتم انتخاب شدند. برای ارزیابی عملکرد الگوریتم پیشنهادی از معیارهای، حساسیت، صحت و دقت استفاده شد. از نرم‫افزار MATLAB (۲۰۲۴) برای تجزیه و تحلیل داده ها استفاده شد. یافته ها: نتایج نشان داد که الگوریتم Adaboost با دقت ۷۳/۱ درصد و ‎صحت ۷۵/۳ درصد توانست بیماری دیابت را در مردان فعال پیش بینی کند. نتیجه گیری: این مدل می تواند به عنوان ابزار کمکی در غربالگری اولیه دیابت در مراکز درمانی مورد استفاده قرار گیرد.

نویسندگان

حمید آقا علی نژاد

استاد فیزیولوژی ورزش، گروه تربیت بدنی و علوم ورزشی، دانشکده ی علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران

لیلا فصیحی

دکتری فیزیولوژی ورزشی، گروه تربیت بدنی و علوم ورزشی، دانشکده ی علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران

محمدحسین قهرمانی

کارشناسی ارشد فیزیولوژی ورزشی، گروه تربیت بدنی و علوم ورزشی، دانشکده ی علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران

موژان آقا علی نژاد

دانشجو کارشناسی ارشد فیزیولوژی ورزشی، گروه تربیت بدنی و علوم ورزشی، دانشکده ی تربیت بدنی و علوم ورزشی، دانشگاه تهران، تهران، ایران

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 :
  • Sabag A, Chang CR, Francois ME, Keating SE, Coombes JS, ...
  • Ribeiro AKPdL, Carvalho JPR, Bento-Torres NVO. Physical exercise as treatment ...
  • Kanaley JA, Colberg SR, Corcoran MH, Malin SK, Rodriguez NR, ...
  • Frankenberg NT, Mason SA, Wadley GD, Murphy RM. Skeletal muscle ...
  • Bajpeyi S, Tanner CJ, Slentz CA, Duscha BD, McCartney JS, ...
  • Houmard JA, Tanner CJ, Slentz CA, Duscha BD, McCartney JS, ...
  • Kirwan JP, Solomon TP, Wojta DM, Staten MA, Holloszy JO. ...
  • Magalhães JP, Melo X, Correia IR, Ribeiro RT, Raposo J, ...
  • Motiani KK, Collado MC, Eskelinen J-j, Virtanen KA, Löyttyniemi E, ...
  • Fasihi L, Tartibian B, Eslami R, Fasihi H. Artificial intelligence ...
  • Tartibian B, Fasihi L, Eslami R, Fasihi A. Comparison and ...
  • Fiarni C, Sipayung EM, Maemunah S. Analysis and prediction of ...
  • Abdollahi J, Nouri-Moghaddam B. Hybrid stacked ensemble combined with genetic ...
  • Sargeant JA, Yates T, McCann GP, Lawson CA, Davies MJ, ...
  • Portes J, Bullón B, Gallardo I, Fernandez-Riejos P, Quiles JL, ...
  • Fasihi L, Tartibian B, Eslami R. Presenting a model for ...
  • Freund Y, Schapire RE. A decision-theoretic generalization of on-line learning ...
  • Thuraka B, Pasupuleti V, Kodete CS, Chigurupati RS, Tirumanadham NKMK, ...
  • Chaves L, Marques G. Data mining techniques for early diagnosis ...
  • Gao J, Luo SL, Jia HB, Zhang TM, Han YW. ...
  • Huang Y, McCullagh P, Black N, Harper R. Feature selection ...
  • Han J, Rodriguez JC, Beheshti M. Diabetes data analysis and ...
  • Anbananthen KSM, Sainarayanan G, Chekima A, Teo J. Artificial neural ...
  • Fang X. Are you becoming a diabetic? A data mining ...
  • نمایش کامل مراجع