استفاده از تکنیک های داده کاوی جهت استخراج دانش در تشخیص دیابت

مقدمه:امروزه بیماری دیابت با شیوع بالا 18/8 درصد در جهان و ایران، در زمره بیماری های پرهزینه و خطرناک است. طبق آخرین آمار منتشر شده توسط انجمن دیابت ایران، 12 درصد از جمعیت بالای 18 سال (حدود 8 میلیون نفر) به این بیماری مبتلا هستند . طبق آمار جهانی تعداد مبتلایان به بیماری قند بیش از 400 میلیون نفر است. بیش از 12/5 درصد از بودجه سلامت کشورهای جهان صرف بیماران دیابتی می شود. علیرغم پیشرفت های پزشکی، درمان قطعی برای این بیماری غیرواگیر وجود ندارد. این درحالی است که با تشخیص به موقع و کنترل دیابت، میتوان از بروز عوارض جدی مانند مشکلات بینایی، کلیوی، عروقی و قلبی و حتی قطع عضو جلوگیری نمود. در این تحقیق الگوریتم های داده کاوی بر روی داده های محلی با رویکرد کشف دانش تشخیص دیابت اجرا گردید. هدف اصلی دستیابی به فرضیه های سهل الوصول تر برای متخصصین این حوزه در جهت تشخیص این بیماری بود. روش بررسی:دادههای مورد استفاده در این تحقیق اطلاعات اولیه مربوط به 768 بیمار زن کلینیک دیابت پارسیان مشهد بود که شامل سن، تعداد دفعات بارداری، شاخص توده بدنی، چین پوستی عضله سه سر، فشارخون، قند خون 2 ساعته، میزان انسولین 2 ساعته، تابع عملکرد دیابت، مثبت یا منفی بودن دیابت بود. نرم افزار داده کاوی وکا برای مدلسازی به منظور دسته بندی وخوشه بندی بیماران دیابتی و غیردیابتی استفاده گردید. یافته ها: پس از مدلسازی با استفاده از تکنیک های مختلف، بهترین دقت مربوط به الگوریتم K نزدیک ترین همسایه با دقت 22 / 79 % و پس از آن مدل بیز ساده با دقت 92 / 77 % و در نهایت درخت تصمیم J48 با دقت 32 / 75 % به دست آمد. براساس خوشه بندی در داده های محلی سن، شاخص توده بدنی، غلظت قند خون و فشار خون و ... میتوانند با بیماری دیابت ارتباط داشته باشند. نتیجه گیری: به منظور تشخیص به موقع دیابت تکنیک های مختلفی با روش ها و متغیرهای گوناگون ارایه گردیده است. همه تحقیقات نشان از عدم وجود یک راه حل قطعی زودهنگام در تشخیص دیابت بوده اند. در این تحقیق با استفاده از داده های محلی و تکنیک های داده کاوی، الگوریتم های داده کاوی در تشخیص دیابت مقایسه و سعی در کشف و فرضیه سازی روابط پنهان بین متغیرهای جمع آوری شده گردید. پیشنهاد تیم تحقیق برای مطالعات آینده استفاده از داده کاوی روی اطلاعات رجیستری های بیماری ها از جمله دیابت جهت تشخیص ارتباط بین متغیرهای دیابت و عوارض خطرناک دیابت است که نشان از اهمیت جامع بودن اطلاعات بالینی رجیستری دارد.

کلیدواژه ها:

داده کاوی ، دیابت ، دسته بندی و خوشه بندی ، الگوریتم K نزدیکترین همسایه ، بیز ساده ، درخت تصمیم J48