جلد 16، شماره 53 - ( 7-1392 )                   جلد 16 شماره 53 صفحات 72-58 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ameri H, Alizadeh S, Barzegari A. Knowledge Extraction of Diabetics' Data by Decision Tree Method. jha 2013; 16 (53) :58-72
URL: http://jha.iums.ac.ir/article-1-1351-fa.html
عامری حکیمه، علیزاده سمیه، برزگری اکبر. استخراج دانش از داده های بیماران دیابتی با استفاده از روش درخت تصمیم C5.0 . فصلنامه مدیریت سلامت. 1392; 16 (53) :58-72

URL: http://jha.iums.ac.ir/article-1-1351-fa.html


1- ، hameri@mail.kntu.ac.ir
2- دانشگاه علوم پزشکی گرگان
چکیده:   (11069 مشاهده)
مقدمه: بروز دیابت در ده سال اخیر در سطح جهان دو برابر شده است . حدود 200 میلیون نفر به این بیماری مبتلا هستند و سالانه شیوع دیابت در جهان حدود شش درصد افزایش می‌یابد. بیش از دو میلیون نفر در ایران به این بیماری مبتلا هستند. در این تحقیق به بررسی ارتباط بین عوارض مشاهده شده در بیماران دیابتی نوع دو و برخی ویژگی های آن ها از قبیل میزان قند خون، فشار خون، سن و سابقه خانوادگی بیماران می پردازیم. هدف این مطالعه، پیش بینی عوارض بیماران بر اساس علائم مشاهده شده در آن ها است.
روش کار:
داده های مورد نیاز برای این تحقیق از پرونده های سال 1388 مرکز دیابت استان گلستان جمع آوری شده است. تعداد پرونده های اولیه بیماران 856 رکورد بود. در این مقاله مدل جدیدی بر اساس متدولوژی استاندارد CRISP ارائه شده است. در بخش مدل سازی از دو روش شناخته شده در داده کاوی به نام های درخت تصمیم C5.0 و شبکه عصبی استفاده شده است. برای تحلیل داده ها از نرم افزار Celementine 12.0 استفاده شده است.
یافته ها:
در این تحقیق برای اولین بار احتمال بروز عوارض میکروواسکولار، ماکروواسکولار و یا هر دو نوع عارضه در بیماران و ویژگی های تأثیرگذار بر آن‌ها مورد بررسی قرار گرفته است. با استفاده از داده کاوی و روش های آن تعیین شده است که متغیر های فشار خون بالا، سن و سابقه خانوادگی در عوارض مشاهده شده بیشترین تأثیر را داشته اند. به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده اند که می تواند به عنوان الگویی برای پیش بینی وضعیت بیماران و احتمال بروز عوارض در آن‌ها استفاده شود. صحت مدل ایجاد شده بر روی داده های مورد استفاده در درخت تصمیم C5.0، 89.74 درصد و در شبکه عصبی مصنوعی 51.28 درصد می‏باشد.
نتیجه گیری:
با توجه به روش های استفاده شده، بالاترین دقت با استفاده از الگوریتم C5.0 به دست آمده است. بیشترین عوامل تأثیرگذار بر بروز عوارض شناسایی شدند. با توجه به قوانین ایجاد شده برای یک نمونه جدید با ویژگی های مشخص، می توان پیش بینی کرد بیمار احتمالاً دچار چه نوع عارضه ای خواهد شد.
متن کامل [PDF 503 kb]   (12120 دریافت)    
نوع مقاله: پژوهشي |
دریافت: 1392/3/19 | پذیرش: 1392/8/28 | انتشار: 1392/8/28

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مدیریت سلامت می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Health Administration

Designed & Developed by : Yektaweb