این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدیریت سلامت، جلد ۱۶، شماره ۵۳، صفحات ۵۸-۷۲
عنوان فارسی استخراج دانش از داده های بیماران دیابتی با استفاده از روش درخت تصمیم C۵.۰
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Knowledge Extraction of Diabetics' Data by Decision Tree Method
چکیده انگلیسی مقاله Introduction: In the last 10 years The incidence of diabetes has doubled worldwide with annual increasing rate of about 6%. More than 2 million people in Iran are now affected by this disease. The present research deals with the relation between the observed complications of type 2 diabetic patients and some related features like Blood Glucose Level, Blood Pressure, Age, and Family History. The main purpose was to predict the patients’ complications based on the observed signs. Methods: The research data were gathered from 856 patient records related to the 2009’s cases in the Diabetes Center of Golestan province. A new model based on the standard methodology CRISP was developed. In the modeling section, two well-known data mining techniques called C5.0 decision tree and Neural Network were used. Celementine 12.0 software was implemented For data analysis. Results: The results of data mining showed that the variables of high blood pressure, age, and family history had the most impact on the observed complications. Based on the created decision tree, some rules have been extracted which can be used as a pattern to predict the probability of occurring these complications in the patients. The accuracy of the C5.0 model on the data was shown to be 89.74% and on the Artificial Neural Network was 51.28%. Conclusion: As the highest accuracy was shown to be achieved using C5.0 algorithm, according to the created rules, it can be predicted which complication(s) any diabetic patient with new specified features may probably suffer from.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حکیمه عامری | h ameri
jamejam-57th edalat- valiasr street-gorgan
گرگان- خیابان ولی عصر- عدالت 57- اول دوراهی جام جم-جنب ساختمان بنفشه-طیقه 3

سمیه علیزاده | s alizadeh
4th floor-industrial faculty- no.24- agahi alley-dabestan street-resalat street-seid khandan street-tehran
تهران- سیدخندان-ابتدای خیابان رسالت-خیابان دبستان-کوچه آگاهی-پلاک 24-دانشکده مهندسی صنایع-طبقه 4

اکبر برزگری | a barzegari
golestan university of medical sciences
گرگان- دانشگاه علوم پزشکی- بازرسی استان
سازمان اصلی تایید شده: دانشگاه علوم پزشکی گلستان (Golestan university of medical sciences)

نشانی اینترنتی http://jha.iums.ac.ir/browse.php?a_code=A-10-941-2&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده عمومی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات