fa ارائه مدلی جهت پیش بینی بیماری دیابت با استفاده از شبکه عصبی پژوهشي Research <p dir="RTL"><strong>مقدمه</strong>: الگوریتم های فرا ابتکاری و ترکیبی از توانمندی بالایی در مدل سازی مسائل پزشکی برخوردارند. در این مطالعه از شبکه عصبی به منظور پیش بینی ابتلا به دیابت در میان افراد مستعد دیابت استفاده گردید.</p> <p dir="RTL"><strong>روش کار</strong>: پژوهش حاضر از نوع کاربردی و جامعه ی هدف آن متشکل از 545 فرد بیمار و سالم از مرکز دیابت دانشگاه علوم پزشکی همدان جمع آوری گردید جهت پیش بینی بیماری دیابت استفاده شده است. در این مطالعه از الگوریتم ممتیک که تلفیقی است از الگوریتم ژنتیک و الگوریتم جستجوی محلی است، به منظور به روز رسانی وزن های شبکه عصبی و توسعه دقت شبکه عصبی استفاده شده است.</p> <p dir="RTL"><strong>یافته ها:</strong> بررسی اولیه نشان داد که دقت شبکه عصبی، 88درصد، می‌باشد. بعد از بروز رسانی وزن ها با الگوریتم ممتیک دقت آن به 2/93درصد افزایش یافت. برای مدل پیشنهادی به ترتیب حساسیت، ویژگی، ارزش اخباری مثبت، ارزش اخباری منفی، مساحت زیر منحنی 2/96، 4/92، 8/93، 3/95، 958/0 برای مدل الگوریتم ژنتیک، 98، 8/84، 6/88، 2/98، 952/0 و برای مدل رگرسیون لجستیک، 6/95، 5/84، 7/94، 0/87، 916/0 به دست آمد.</p> <p dir="RTL"><strong>نتیجه گیری:</strong> بر اساس یافته&shy; های این پژوهش، مدل های شبکه های عصبی در مقایسه با مدل رگرسیون از میزان خطای کمتری در تشخیص بیماری بر اساس متغیرهای فردی و سبک زندگی برخوردارند. یافته&shy;های این مطالعه می‌تواند به برنامه ریزان و ارائه کنندگان خدمات سلامت در برنامه های غربالگری و تشخیص به موقع بیماری دیابت کمک می‌نماید.</p> <p><strong>Introduction</strong>: Meta-heuristic and combined algorithms have a great capability in modelling medical decision making. This study used neural networks in order to predict Type 2 Diabetes (T2D) among high risk individuals.</p> <p><strong>Methods</strong>: This study was&nbsp;&nbsp; an applied research. Data from 545 individuals (diabetic and non-diabetic), in Diabetes Clinic of Hamedan University of Medical Sciences, were used to develop predictive diabetes models. Memetic algorithms which are a combination of genetic algorithm (GA), local search algorithm, and neural networks were applied to update weights and improve predictive accuracy of neural network models. In the first step, optimum parameters for neural networks such as momentum rate, transfer functions, and error functions were examined through trial and error and other studies.</p> <p><strong>Results</strong>: The preliminary analysis showed that the accuracy of neural networks was 88 percent. The use of memetic algorithm improved its accuracy to 93.2 percent. Among models, regression model had the least accuracy. For the memetic algorithm model the amount of sensitivity, specificity, positive predictive value, negative predictive value, and area under the curve were 96.2, 95.3, 93.8, 92.4, and 0.958, respectively. These parameters for GA were 98.0, 84.8, 88.6, 98.2, and 0.952 and for the logistic regression model were 95.6, 84.5, 94.7, 87.0, and 0.916, respectively.</p> <p><strong>Conclusions</strong>: Models developed by neural networks have a higher predictive accuracy than the regression model. The results of this study can contribute to risk management and planning of health services by providing healthcare decision makers with more accurate predictive models based on clinical and life style characteristics of individuals.</p> <p></p> دیابت, تکنیک پشتیبان تصمیم گیری, شبکه عصبی, الگوریتم ژنتیک, الگوریتم ممتیک Diabetes, Decision Support Techniques, Neural network, Genetic Algorithms, Memetic algorithm 24 35 http://jha.iums.ac.ir/browse.php?a_code=A-10-1552-1&slc_lang=fa&sid=1 J Jahani میثم جهانی jahany.meysam@gmail.com 11200319475328460032704 11200319475328460032704 No Faculty of Technology and Engineering, University of Qom, Qom, Iran دانشکده فنی و مهندسی دانشگاه قم، قم، ایران M Rezaeenoor جلال رضایی نور rezaeenoor@yahoo.com 11200319475328460032705 11200319475328460032705 Yes Associate Professor of Department of Industrial Engineering, Faculty of Technology and Engineering, University of Qom, Qom, Iran دانشگاه قم M Mahdavi مهدی مهدوی mahdavi@bmg.eur.nl 11200319475328460032706 11200319475328460032706 No Institute of Health Policy and Management, Erasmus University Rotterdam, Rotterdam, Netherlands دانشگاه ایراسموس روتردام E Hadavandi اسماعیل هداوندی es.hadavandi@gmail.com 11200319475328460032707 11200319475328460032707 No Faculty of Computer and Industrial engineering, Birjand University, Birjand, Iran دانشگاه امیرکبیر