فصلنامه علمی- پژوهشی علوم پیراپزشکی وتوانبخشی

فصلنامه علمی- پژوهشی علوم پیراپزشکی وتوانبخشی

مقایسه مدل شبکه عصبی مصنوعی و درخت تصمیم برای شناسایی و پیش بینی عوامل مرتبط با دیابت نوع2

نوع مقاله : مقاله پژوهشی

نویسندگان
فرزاد میرزاخانی 1
آذر کاظمی 2
مرجان رسولیان کسرینه 3
سید یوسف جواد موسوی 4
علیرضا امیرآبادی زاده 5
1 دانشجوی دکترای تخصصی انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی ایران ، تهران، ایران
2 دانشجوی دکترای تخصصی انفورماتیک پزشکی، گروه انفورماتیک پزشکی ،کمیته تحقیقات دانشجویی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران
3 دانشجوی کارشناسی ارشد گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران
4 دانشجوی پزشکی عمومی، کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران
5 کارشناس مرکز تحقیقات مسمومیت ها و سو مصرف مواد، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران
10.22038/jpsr.2018.26264.1695
چکیده
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.
کلیدواژه‌ها
درخت تصمیم
شبکه عصبی مصنوعی
داده‌کاوی
دیابت
موضوعات
  1. Hossain P, Kawar B, El Nahas M. Obesity and diabetes in the developing world--a growing challenge. The New England journal of medicine 2007; 356(3): 213-5.
  2. Booth GL, Kapral MK, Fung K, Tu JV. Relation between age and cardiovascular disease in men andwomen with diabetes compared with non-diabetic people: a population-based retrospective cohort study. Lancet (London, England) 2006; 368(9529): 29-36.
  3. Yach D, Hawkes C, Gould CL, Hofman KJ. The global burden of chronic diseases: overcoming impedimentsto prevention and control. Jama 2004; 291(21): 2616-22.
  4. Guariguata L, Whiting DR, Hambleton I, Beagley J, et.al. Global estimates of diabetes prevalence for 2013 and projections for 2035. Diabetes research and clinical practice 2014; 103(2): 137- 49.
  5. Sedehi M, Mehrabi Y, Kazemnejad A, F. H. Comparison of Artificial Neural Network, Logistic Regression and Discriminant Analysis Methods in Prediction of Metabolic Syndrome. IJEM. 2009; 11(6): 638-46.
  6. Tapak L, Mahjub H, Hamidi O, PoorolajalJ. Real-data comparison of data mining methods in prediction of diabetes in iran. Healthcare informatics research 2013; 19(3): 177-85.
  7. Whiting DR, Guariguata L, Weil C, Shaw J. IDF diabetes atlas: global estimates of the prevalence of diabetes for 2011and 2030. Diabetes research and clinical practice 2011; 94(3): 311-21.
  8. Jayalakshmi T, Santhakumaran A, et al. A Novel Classification Method for Diagnosis of Diabetes Mellitus Using Artificial Neural Networks. 2010 International Conference on Data Storage and Data Engineering; 2010 9-10 Feb. 2010.
  9. Choi SB, Kim WJ, Yoo TK, Park JS, et al. Screening for Prediabetes Using Machine Learning Models. Computational and Mathematical Methods in Medicine 2014; 2014:8.
  10. Franco L, Jerez JM, Alba E, et al. Artificial neural networks   and   prognosis   in   medicine.  Survival anaalysis in breast cancer patients. 13th European Symposium on Artificial Neural Networks; 2005; Bruges, Belgium.
  11. Jerez-Aragones JM, Gomez-Ruiz JA, Ramos-Jimenez G, Munoz-Perez J, et al. A combined neural network and decision trees model for prognosis of breast cancer relapse. Artificial intelligence in medicine 2003; 27(1): 45-63.
  12. Bourd, Bonnevay S, et al. Comparison of Artificial NeuralNetwork with Logistic Regression as Classification Models for Variable Selection for Prediction of Breast Cancer Patient Outcomes. Advances in Artificial Neural Systems 2010; 2010: 11.
  13. Chou S-M, Lee T-S, Shao YE, Chen IF. Mining the breast cancer pattern using artificial neural networks and multivariate adaptive regression splines. Expert Systems with Applications 2004; 27(1): 133-42.
  14. Endo A, Shibata T, Tanaka H. Comparison of Seven Algorithms to Predict Breast Cancer Survival(Contribution to 21 Century Intelligent Technologies and Bioinformatics). International Journal of Biomedical Soft Computing and Human Sciences: the official journal of the Biomedical Fuzzy Systems Association 2008; 13(2): 11-6.
  15. Haykin SS. Neural Networks and Learning Machines: Prentice Hall; 2009.
  16. Meng X-H, Huang Y-X, Rao D-P, Zhang Q, Liu Q. Comparison of three data mining models for predicting diabetes or prediabetes by risk factors. The Kaohsiung Journal of Medical Sciences 2013; 29(2): 93-9.
  17. Ramezankhani A, Pournik O, Shahrabi J, Khalili D, et al. Applying decision tree for identification of a low risk population for type 2 diabetes. Tehran Lipid and Glucose Study. Diabetes research and clinical practice 2014; 105(3): 391-8.
  18. Heikes KE, Eddy DM, Arondekar B, Schlessinger L. Diabetes Risk Calculator: a simple tool for detecting undiagnosed diabetes and pre-diabetes. Diabetes care 2008; 31(5): 1040-5.
  19. Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters 2006; 8: 861-874.
  20. Tuomilehto J, Lindstrom J, Eriksson JG, Valle TT, et al. Prevention of type 2 diabetes mellitus by changes in lifestyle among subjects with impaired glucose tolerance. The New England journal of medicine 2001; 344(18): 1343-50.
  21. Ameri H, Alizadeh S, Barzegari A. Knowledge Extraction of Diabetics' Data by Decision Tree Method. Journal of Health Administration 2013; 16(53): 58-72.
  22. Ramezankhani A, Hadavandi E, Pournik O, Shahrabi J, et al. Decision tree-based modelling for identification of potential interactions between type 2 diabetes risk factors: a decade follow-up in a Middle East prospective cohort study. BMJ open 2016; 6(12): e013336.
  23. Wang C, Li L, Wang L, Ping Z, et al. Evaluating the risk of type 2 diabetes mellitus using artificial neural network: an effective classification approach. Diabetes research and clinical practice 2013; 100(1): 111-8.
  24. Glumer C, Carstensen B, Sandbaek A, Lauritzen T, et al. A Danish diabetes risk score for targeted screening: the Inter99 study. Diabetes care 2004; 27(3): 727-33.
  25. Hu D, Sun L, Fu P, Xie J, et al. Prevalence and risk factors for type 2 diabetes mellitus in the Chinese adult population: the InterASIA Study. Diabetes research and clinical practice 2009; 84(3): 288-95.
  26. Ho WH, Lee KT, Chen HY, Ho TW, et al. Disease-free survival after hepatic resection in hepatocellular carcinoma patients: a prediction approach using artificial neural network. PloS one 2012; 7(1): e29179.
  27. Walker HK, Hall WD, Hurst JW, et al. Clinical Methods: The History, Physical, and Laboratory Examinations. Boston: Butterworths. Butterworth Publishers, a division of Reed Publishing; 1990.
  28. Wang CJ, Li YQ, Wang L, Li LL, et al. Development and evaluation of a simple and effective prediction approach for identifying those at high risk of dyslipidemia in rural adult residents. PloS one 2012; 7(8): e43834.
  29. Barakat NH, Bradley AP, Barakat MN. Intelligible support vector machines for diagnosis of diabetes mellitus. IEEE transactions on information technology in biomedicine : a publication of the IEEE Engineering in Medicine and Biology Society 2010; 14(4): 1114-20.
  30. UbeyliED. Modified mixture of experts for diabetes diagnosis. J Med Syst 2009; 33(4): 299-305.
  31. Kazemnejad A, Batvandi Z, Faradmal J. Comparison of artificial neural network and binary logistic regression for determination of impaired glucose tolerance/diabetes. Eastern Mediterranean health journal = La revue de sante de la Mediterranee orientale = al-Majallah al-sihhiyah li-sharq al-mutawassit 2010; 16(6): 615-20.
  32. Kang JO, Chung S-H, Suh Y-M. Prediction of Hospital Charges for the Cancer Patients with Data Mining Techniques. J Korean Soc Med Inform 2009; 15(1): 13-23.
  33. Lee S-M, Kang J-O, Suh Y-M. Comparison of Hospital Charge Prediction Models for Colorectal Cancer Patients: Neural Network vs. Decision Tree Models. Journal of Korean Medical Science 2006; 19(5): 677-81.
  34. Wang J, Li M, Hu YT, Zhu Y. Comparison of hospital charge prediction models for gastric cancer patients: neural network vs. decision tree models. BMC health services research 2009; 9: 161.
  35. Kurt I, Ture M, Kurum AT. Comparing performances of logistic regression, classification and regression tree, and neural networks for predicting coronary artery disease. Expert Systems with Applications 2008; 34(1): 366-74.

فصلنامه علمی- پژوهشی علوم پیراپزشکی وتوانبخشی
دوره 7، شماره 4
زمستان 1397
صفحه 19-32