مقایسه سامانه های پشتیبان تصمیم گیری در پیش بینی دیابت

در طی سال های اخیر از جمله روش های پیش بینی و تشخیص بیماری در عرصه پزشکی، به کارگیری روش های پشتیبان تصمیم با الگوریتم های تکاملی و ترکیبی است، که دارای توانمندی بالایی در مدل سازی مسائل پزشکی و مهندسی دارند. هدف این مقاله مقایسه ی چند سامانه پشتیبان تصمیم گیری و بررسی دقت این سامانه ها در پیش بینی بیماری دیابت است.
در مطالعه ی حاضر با استفاده روش ترکیب الگوریتم ژنتیک و لونبرگ- مارکوارت(Genetic Algorithm and Levenberg-Marquardt; GALM)، به تعیین و بهینه سازی اوزان های شبکه ی عصبی پرداخته شد، و برای بررسی اعتبارسنجی مدل ها، از روش های اعتبار سنجی سنتی و اعتبار سنجی kباره (K-Fold Cross Validation; K-Fold) استفاده گردید، و در نهایت مدل پیشنهادی (GALM) با مدل های رگرسیون لجستیک، الگوریتم ژنتیک از طریق نمودار سطح زیر منحنی(Receiver operating characteristic)، (ROC) و ماتریس در هم ریختگی(Confusion matrix) مقایسه گردید.
پس از انجام بررسی ها معلوم شد در بین مدل های مقایسه شده، مدل حاصل از الگوریتم GALM دارای حساسیت و ویژگی بالاتری نسبت به مدل های رگرسیون لجستیک و الگوریتم ژنتیک می باشند. هم چنین در بین مدل ها، مدل پیشنهادی (الگوریتم GALM) مدلی است که دارای حساسیت، ویژگی، ارزش اخباری منفی (NPV) (Negative Predictive Value; NPV)، ارزش اخباری مثبت (PPV) (Positive Predictive Value; PPV)، بالا و درست نمایی منفی (-LR) (Negative Likelihood Ratio; NLR) پایین و نزدیک به صفر می باشد، و می توان این مدل را به عنوان مدلی مناسب انتخاب کرد.
نتایج نشان می دهد، مدل GALM با میزان های به ترتیب حساسیت، ویژگی، ارزش اخباری مثبت، ارزش اخباری منفی، سطح زیر منحنی 7/ 98، 01/ 90، 8/ 91، 3/ 98، 972 /0، در مقایسه با مدل های GA و LR مدلی مناسب برای پیش بینی دیابت می باشد.