یک روش استخراج قانون تشخیصی دیابت نوع ۲با استفاده از الگوریتم ژنتیک خودسازمان دهنده

هدف ساخت مدل های کمک تصمیم یار پزشکی جهت استخراج خودکار دانش از داده ها به پزشکان در تشخیص زودهنگام بیماری کمک می کند. تفسیرپذیری قوانین اسستنتاجی این مدل ها جهت درک نحوه تصمیم گیری آن ها راجع به داده ها و افزایش اعتماد به خروجی مدل، یک شاخص ضروری در تعیین کارایی آن هاست. روش ها در این پژوهش یک مطالعه گذشته نگر است جهت استخراج قوانین تشخیصی دیابت نوع ۲. داده های این مطالعه، مجموعه داده عمومی پیما شامل ۷۶۸ رکورد و ۹ ویژگی است که در سال ۱۴۰۰ استخراج شد. پس از حذف گمشدگی و داده های پرت در مرحله پیش پردازش داده ها، جهت استخراج قوانین یک مدل ترکیبی پیشنهادی فازی ژنتیک با استفاده از نرم افزار متلب ارائه شد. جهت حذف پیچیدگی تنظیم عملگرهای الگوریتم ژنتیک و تسهیل اجرای مجدد مدل در کاربردهای دیگر، ساختار کروموزومی خودسازمان دهنده ای پیشنهاد شده است. یافته ها ارزیابی مدل پیشنهادی روی مجموعه داده پیما به صحت ۷۹/۰۵ درصد دست یافت. این صحت توسط ۲ قانون فازی که هرکدام فقط شامل ۲ متغیر مستقل است به دست آمده است. همچنین برای تشخیص افراد دارای دیابت و فاقد آن قانون های تشخیصی منفرد به ترتیب با صحت ۷۰/۸۳ و ۸۱/۴۸ درصد ارائه شده است. مهم ترین عوامل موثر بر ابتلا و عدم ابتلا به دیابت در این قوانین تعداد دفعات بارداری، شاخص توده بدنی، فشار خون، سابقه خانوادگی، غلظت گلوکز پلاسما و ضخامت پوست چین سه سر تعیین شدند. نتیجه گیری روش پیشنهادی در تولید مجموعه و همچنین قوانین منفرد تشخیص بیماری یا عدم بیماری با صحت و قابلیت تفسیر بسیار بالا در کاربردهای پزشکی کاملا مناسب بوده و به دلیل خودسازمانده بودن قابلیت تکرار در سایر کاربردهای دسته بندی دو کلاسی را دارد.

Keywords:

Knowledge discovery , Fuzzy logic , Medical informatics , Data mining , Classification , استخراج دانش , منطق فازی , انفورماتیک پزشکی , داده کاوی , دسته بندی