یک روش استخراج قانون تشخیصی دیابت نوع 2با استفاده از الگوریتم ژنتیک خودسازمان دهنده
ساخت مدل های کمک تصمیم یار پزشکی جهت استخراج خودکار دانش از داده ها به پزشکان در تشخیص زودهنگام بیماری کمک می کند. تفسیرپذیری قوانین اسستنتاجی این مدل ها جهت درک نحوه تصمیم گیری آن ها راجع به داده ها و افزایش اعتماد به خروجی مدل، یک شاخص ضروری در تعیین کارایی آن هاست.
در این پژوهش یک مطالعه گذشته نگر است جهت استخراج قوانین تشخیصی دیابت نوع 2. داده های این مطالعه، مجموعه داده عمومی پیما شامل 768 رکورد و 9 ویژگی است که در سال 1400 استخراج شد. پس از حذف گمشدگی و داده های پرت در مرحله پیش پردازش داده ها، جهت استخراج قوانین یک مدل ترکیبی پیشنهادی فازی ژنتیک با استفاده از نرم افزار متلب ارایه شد. جهت حذف پیچیدگی تنظیم عملگرهای الگوریتم ژنتیک و تسهیل اجرای مجدد مدل در کاربردهای دیگر، ساختار کروموزومی خودسازمان دهنده ای پیشنهاد شده است.
ارزیابی مدل پیشنهادی روی مجموعه داده پیما به صحت 79/05 درصد دست یافت. این صحت توسط 2 قانون فازی که هرکدام فقط شامل 2 متغیر مستقل است به دست آمده است. همچنین برای تشخیص افراد دارای دیابت و فاقد آن قانون های تشخیصی منفرد به ترتیب با صحت 70/83 و 81/48 درصد ارایه شده است. مهم ترین عوامل موثر بر ابتلا و عدم ابتلا به دیابت در این قوانین تعداد دفعات بارداری، شاخص توده بدنی، فشار خون، سابقه خانوادگی، غلظت گلوکز پلاسما و ضخامت پوست چین سه سر تعیین شدند.
روش پیشنهادی در تولید مجموعه و همچنین قوانین منفرد تشخیص بیماری یا عدم بیماری با صحت و قابلیت تفسیر بسیار بالا در کاربردهای پزشکی کاملا مناسب بوده و به دلیل خودسازمانده بودن قابلیت تکرار در سایر کاربردهای دسته بندی دو کلاسی را دارد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.