|
|
تحقیقات نظام سلامت، جلد ۱۰، شماره ۳، صفحات ۵۷۱-۵۸۶
|
|
|
| عنوان فارسی |
طراحی سیستم تشخیصی هوشمند به‌منظور پیش‌بینی چاقی در کودکان با استفاده از عوامل شیوه زندگی، وضعیت اجتماعی- اقتصادی و اطلاعات وراثتی |
|
| چکیده فارسی مقاله |
مقدمه: چاقی یکی از مهم‌ترین مشکلات تغذیه‌ای در سراسر دنیا است. اگرچه مطالعات به غیر از مشکلات فیزیکی و حرکتی، گزارشی مبنی بر بروز بیماری‌های مزمن ناشی از چاقی در دوران کودکی ارایه نداده‌اند؛ اما چاقی در کودکی می‌تواند منجر به طیف وسیعی از مشکلات در آینده شود. در این مطالعه با هدف تشخیص زود هنگام بر آن هستیم تا با طراحی یک سیستم هوشمند احتمال وقوع چاقی را بر اساس اطلاعات اولیه‌ای بر اساس نحوه شیوه زندگی و یا سایر متغیرهای عمومی اولیه، پیش‌بینی کنیم.روش‌ها: در این مطالعه 9795 نفر (17/49% پسر) درگروه‌های سنی 6 تا 18 سال براساس چهارمین فاز مطالعه ملی گسترده کاسپین، مورد بررسی قرارگرفته‌اند. متغیرهای ورودی سیستم براساس عادات تغذیه‌ای، فعالیت ورزشی، اطلاعات وراثتی، وضعیت اجتماعی و اقتصادی و سابقه چاقی و دیابت مشخص گردیده‌اند. سپس بر اساس روش‌های داده‌کاوی و هوش مصنوعی، مشکل چاقی شناسایی و بررسی شده است. روش‌های انتخاب ویژگی نیز برای بهینه‌سازی سیستم طراحی شده در نظر گرفته شده است.یافته‌ها: عملکرد روش‌های دسته‌بندی مورد مطالعه توسط روش ارزیابی متقابل دولایه‌ای مورد بررسی قرار گرفت. با توجه به نتایج حاصل از ارزیابی، بهترین نتیجه توسط روش دسته‌بندی ماشین‌بردار پشتیبان به دست آمده است. دقت و صحت این روش شناسایی پس از انتخاب ویژگی به ترتیب 3/63 و 7/83 درصد بوده است. ویژگی‌هایی ازقبیل سن، فعالیت ورزشی، نوع تغذیه در دوران نوزادی و سابقه دیابت در خانواده به‌عنوان تأثیرگذارترین ویژگی‌ها در ایجاد روند چاقی در دو گروه دختر و پسر شناسایی شده‌اند.نتیجه‌گیری: طراحی سیستم‌های تشخیصی هوشمند با استفاده از پارامترهایی از قبیل شیوه زندگی، وضعیت اجتماعی اقتصادی و اطلاعات وراثتی می‌تواند در پیشگیری چاقی کودکان در آینده کمک نموده و به اصلاح شیوه زندگی آنان، بیانجامد. طراحی این سیستم‌های هوشمند تحت وب، می‌تواند خدمات پیشگیری را برای خانواده‌ها به راحتی ممکن سازد..واژه‌های کلیدی: داده‌کاوی؛چاقی؛روش‌های دسته‌بندی؛سیستم تشخیصی؛ هوش مصنوعی |
|
| کلیدواژه‌های فارسی مقاله |
|
|
| عنوان انگلیسی |
A computer-aided Diagnosis System for the Prediction of Overweighs Using Life Style Factors, Socio-economic Status and Family History of Disorders in Children |
|
| چکیده انگلیسی مقاله |
Background: Obesity represents one of the most important nutritional problems worldwide.Obesity in childhood can cause variety of health issues such as orthopedic, neurological, pulmonary and gastroenterological disorders in the future, although no side effects were reported from malignant obesity during childhood. In this paper, we presented a computer-aided diagnosis system to predict the obesity based on input features obtained from the life style and other factors of the subjects.Methods: The total number of 9795 subjects (49.17% boy) aged 6 to 18 years taken from the CASPIAN IV study participated in this study. The input parameters of the proposed system were taken from the dietary habit, physical activity, family history, social economic status, and other features. Then, the obesity was predicted using the data mining and artificial intelligence techniques. Feature Selection (FS) methods were also used to improve the performance of the proposed system. The performance of the diagnosis system was assessed based on the hold-out validation framework.Findings: The performance of the classifications method has been validated by hold-out cross validation. Among the different classification techniques tested, SVM with FS showed the best performance. The accuracy and precision of this method were 63.3% and 83.7%, respectively. Some features such as age, physical activities, birth feeding and family history of diabetes mellitus detected as the most effectivefactors with obesity in both gender.Conclusion: Designing of an intelligentdiagnosis system with the input parameter such as life-style, socioeconomic status and genetic information can help predict obesity in children to modify their life-style to improve theirqualityof life in the future. A web-based version of this intelligent system can easily provide the obesity prediction facilities for the families at home.Key Words: Classification; Obesity; Data Mining; Medical Diagnosis System; Artificial Intelligence |
|
| کلیدواژه‌های انگلیسی مقاله |
|
|
| نویسندگان مقاله |
مرتضي فرحي |
دانشجو، گروه مهندسي پزشکي، دانشکده فني مهندسي، دانشگاه اصفهان، اصفهان، ايران
حميد رضا مراتب |
استاديار گروه مهندسي پزشکي، دانشکده فني مهندسي، دانشگاه اصفهان، اصفهان، ايران
رويا کليشادي |
استاد دانشگاه علوم پزشکي اصفهان، مرکز تحقيقات رشد و نمو کودکان، اصفهان، ايران
محمد اسماعيل مطلق |
متخصص اطفال-اداره کل سلامت نوجوانان،جوانان ومدارس- وزارت بهداشت،درمان وآموزش پزشکي،تهران
|
|
| نشانی اینترنتی |
http://hsr.mui.ac.ir/index.php/jhsr/article/view/2161 |
| فایل مقاله |
اشکال در دسترسی به فایل - ./files/site1/rds_journals/188/article-188-2469457.pdf |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
مقاله پژوهشی اصیل |
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|