پیش بینی بیماری دیابت با استفاده از شبکه های عصبی، مدل آماری رگرسیون لجستیک و ترکیب آنها

پیش بینی بیماری دیابت با استفاده از شبکه های عصبی، مدل آماری رگرسیون لجستیک و ترکیب آنها


  • 615 بازدید

در این سلسله مقالات به مفاهیم و کاربرد های داده‌کاوی، متن کاوی و علوم مرتبط با علم داده پرداخته می‌شود. با توجه به حجم عظیم مقالات تولید شده در زبان فارسی در حوزه داده کاوی و علم داده، آکادمی داده تصمیم گرفت مقالات فارسی منتشر شده در این حوزه را خلاصه برداری کرده و در اختیار علاقه مندان قرار دهد. این مقالات ابتدا با معرفی موضوع و کارهای انجام شده آغاز می شود و سپس مجموعه داده یا دیتاست تحقیق ارائه می شود و سپس پیاده سازی انجام شده در رپیدماینر، وکا یا پایتون ارائه شده و نتایج تحلیل می شود.

در این رشته نوشته ها ابتدا خلاصه ای از مقاله ارائه شده و سپس نتیجه گیری مقاله عینا آورده می گردد و سپس فایل پی دی اف آن نیز برای دانلود در اختیار محققین و پژوهشگران عزیز قرار می گیرد. 

داده کاوی چیست؟

مقدمه ای بر داده کاوی سلامت 

ابزارهای داده کاوی

در دیابت، سرعت و توانایی بدن در استفاده و سوخت و ساز کامل گلوکز کاهش می یابد از اینرو میزان قند خون افزایش یافته که به آن هایپرگلیسمی میگویند. وقتی این افزایش قند در دراز مدت در بدن وجود داشته باشد عوارض میکروواسکولار دیابت یا تخریب رگهای بسیار ریز در بدن ایجاد میشوند که میتوانند اعضای مختلف بدن همچون کلیه، چشم و اعصاب را درگیر کنند. در این مقاله یک مدل از شبکه عصبی ترکیبی با استفاده از ترکیب شبکه عصبی مصنوعی با استفاده از رگرسیون لجستیک جهت پیش بینی بیماری دیابت بکار برده شده است.
با استفاده از مدل های شبکه های عصبی مصنوعی می توان فرآیندهای پیچیده پزشکی را به صورت نرم افزار طراحی و پیادهسازی نمود. که این سیستم های نرم افزاری به نوبه خود در حوزه های مختلف پزشکی از جمله پیشبینی، تشخیص، درمان و کمک به جراحان و پزشکان و عموم افراد جامعه موثر و کارا هستند. این سیستمها به صورت موازی و توزیع شده در مقیاس های مختلف قابل پیاده سازی هستند. در کل شبکه های عصبی مصنوعی سیستم های پردازش موازی می باشند که برای تشخیص الگوهای پیچیده در میان داده ها استفاده میشوند، و رگرسیون لجستیک نیز یکی از روش های تحلیل آماری در امر پیش بینی میباشد و از جمله روش های آماری چند متغیرهای است که میتواند برای ارزیابی ارتباط بین متغیرهای مستقل هرچند مخدوش کننده و یک متغیر وابسته مورد استفاده قرار گیرد. 
هدف این مطالعه، تعیین متغیرهای تأثیرگذار و میزان تأثیر آنها بر ابتلا به دیابت و برآورد یک مدل ترکیبی شبکه عصبی و رگرسیون لجستیک جهت پیش بینی بیماری دیابت میباشد. مدل های ارائه شده در محیط متلب پیاده سازی شده است. مجموعه داده مورد استفاده برای تشخیص بیماری دیابت از انجمن بیماران دیابتی شهرستان ارومیه تهیه و مستندسازی شده است که این مجموعه داده ها شامل180 نمونه داده با 8 ویژگی بوده که از این 180 نمونه داده 60 نمونه بیماران دیابت نوع 1 ، 60 نمونه بیماران دیابت نوع 2 ، 60 نمونه افراد سالم را شامل می شود. این مدل ابتدا با مشخص کردن ارزش اهمیت هر یک از متغیرها با استفاده از رگرسیون لجستیک، بیشترین عامل تأثیرگذار بر روی پیشبینی بیماری دیابت را هموگلوبینA1C   تشخیص داده است که در اشخاصی که مبتلا به دیابت میباشند (%96 ) و در اشخاصی که در آستانه این بیماری قرار گرفتهاند (%57 ) می باشد. سپس با احتساب احتمال خروجی به ازای هر یک از قوانین )  ورودی های شبکه عصبی) و تاثیر آن بر روی خروجی مورد نظر باعث شده تا مدل پیشنهادی با ورودیها و احتمال هر یک از خروجی ها پیش بینی دقیق را ارائه دهد. روش پیشنهادی با خطای کمتری مبتلا بودن و یا نبودن به این بیماری را ارائه می دهد تا بیماران در همان مراحل اولیه آگاه شوند و اقدامات لازم را جهت کنترل این بیماری انجام دهند. 
معیار کارایی، به حداقل رساندن خطای عملکرد آموزش در شبکه عصبی با استفاده از مدل ترکیبی شبکه عصبی میباشد در نهایت به این نتیجه رسیدیم که خطا عملکرد شبکه عصبی برابر 0.1 و مدل ترکیبی شبکه عصبی برابر0.0002  می باشد. که میتوان بیماری دیابت را با روش پیشنهادی که حداقل خطا را داراست پیش بینی کرد. در آینده می توان با تکیه بر تعداد داده های بیشتر از مراکز انجمن دیابت در سراسر کشور به صورت چند مرکزی یک مدل آماری رگرسیون جامع تری پیاده سازی نمود تا بتواند به افراد بیمار و غیر بیمار مراجعه کننده کمک نماید.

این مقاله از طریق لینک قابل دسترسی است و محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 

اگر به پژوهش در حوزه استفاده از داده کاوی برای پیش بینی بیماری علاقه مند هستید توصیه می شود حتما مجموعه استثنائی و بی نظیر مجموعه مقالات فارسی شامل بیش از دویست مقاله در مورد پیش بینی و تشخیص بیماری دیابت  و مجموعه های مشابه  را تهیه بفرمایید.

اگر در زمینه استفاده از داده کاوی برای پیش بینی بیماری در حال تحقیق یا پیاده سازی پروژه یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام (https://t.me/dataacademyحضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد.


افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.