%0 Journal Article %T مقایسه مدل شبکه عصبی مصنوعی و درخت تصمیم برای شناسایی و پیش بینی عوامل مرتبط با دیابت نوع2 %J فصلنامه علمی- پژوهشی علوم پیراپزشکی وتوانبخشی %I دانشگاه علوم پزشکی مشهد %Z 2322-5238 %A میرزاخانی, فرزاد %A کاظمی, آذر %A رسولیان کسرینه, مرجان %A جواد موسوی, سید یوسف %A امیرآبادی زاده, علیرضا %D 2018 %\ 12/22/2018 %V 7 %N 4 %P 19-32 %! مقایسه مدل شبکه عصبی مصنوعی و درخت تصمیم برای شناسایی و پیش بینی عوامل مرتبط با دیابت نوع2 %K درخت تصمیم %K شبکه عصبی مصنوعی %K داده‌کاوی %K دیابت %R 10.22038/jpsr.2018.26264.1695 %X هدف:  یکی از اهداف تحقیقات پزشکی تعیین عوامل مرتبط در پیش ­بینی بیماری می ­باشد. یکی از شایع ­ترین بیماری های متابولیک در ایران، دیابت می­باشد. هدف از این مطالعه شناسایی عوامل موثر در پیش بینی دیابت با استفاده از مدل­ های شبکه عصبی مصنوعی و درخت تصمیم می ­باشد. روش بررسی:  برای انجام مطالعه، پرونده 901 تن از افرادی که در سال­ های 91 و 92 به مراکز بهداشتی شهر مشهد مراجعه کرده بودند، استفاده گردید. در ابتدا با استفاده از روش­ های آمار توصیفی و تحلیلی، داده ­ها آنالیز شدند. سپس 70% داده­ ها به طور تصادفی برای ساخت مدل­ های شبکه عصبی مصنوعی و درخت تصمیم انتخاب شدند. 30% باقیمانده برای مقایسه عملکرد مدل ­ها استفاده شد. در نهایت عملکرد مدل ­ها با استفاده از سطح زیر منحنی راک (ROC) مورد مقایسه قرار گرفت. یافته ­ها:  توسعه دو مدل پیش ­بینی با استفاده از 14 متغیر انجام شد. دو مدل از نظر سطح زیر منحنی راک، حساسیت، ویژگی و صحت مورد ارزیابی قرار گرفتند. برای مدل شبکه عصبی، سطح زیر منحنی راک و حساسیت به ترتیب 69/1 و 74/2 بدست آمد. برای مدل درخت تصمیم نیز سطح زیر منحنی راک و حساسیت به ترتیب 68/9 و 64/77  بدست آمد. در هر دو مدل متغیرهای سابقه خانوادگی دیابت، تری گلیسرید، شاخص توده بدنی، لیپوپروتئین با چگالی کم و فشار خون سیستولیک و دیاستولیک مهم ترین عوامل مرتبط در شناسایی دیابت نوع 2 بودند.      نتیجه‌ گیری:  نتایج نشان داد که مدل شبکه عصبی چند لایه سطح زیر منحنی راک بهتری نسبت به درخت تصمیم CART در پیش ­بینی دیابت نوع 2 دارد. همچنین لیپوپروتئین با چگالی کم مهم ­ترین عوامل مرتبط در شناسایی دیابت نوع 2 می ­باشد. مطالعه حاکی از آنست که روش ­های داده­کاوی نوین از جمله شبکه عصبی مصنوعی و درخت تصمیم می ­توانند برای شناسایی عوامل مرتبط با بیماری­ ها مورد استفاده قرار گیرند. %U https://jpsr.mums.ac.ir/article_12058_0a2417a17a784ed188f4ba085a59f6d1.pdf