لیلی فرجی گاوگانی - دانشگاه علوم پزشکی تبریز
پروین سربخش - دانشگاه علوم پزشکی تبریز
محمد اصغری جعفرآبادی - دانشگاه علوم پزشکی تبریز
سیدمرتضی شمشیرگران - دانشگاه علوم پزشکی تبریز

چکیده زمینه و هدف: ماشین بردار پشتیبان (Support vector machine; SVM) به­عنوان یک روش آماری قوی و کارآمد در تشخیص و پیش­بینی پیامدهای بالینی بر اساس ترکیباتی از متغیرهای پیش­بین کاربرد دارد. هدف این پژوهش، استفاده از SVM برای تشخیص محدودیت عملکردی بیماران دیابتی و بررسی میزان صحت این تشخیص می­باشد. مواد و روش­ها: این پژوهش توصیفی بر روی ۳۷۸ بیمار دیابتی مراجعه کننده به مراکز دیابتی اردبیل و تبریز در سال ۹۴-۱۳۹۳ انجام شد. جهت طبقه­بندی بیماران دیابتی از لحاظ وضعیت محدودیت عملکردی بر مبنای متغیرهای دموگرافیک و بالینی از SVM با تابع هسته RBF) Radial basis function;) و روش اعتبارسنجی آموزش و آزمون استفاده شد. ارزیابی بر اساس شاخص­ های تشخیصی شامل حساسیت، ویژگی، صحت و سطح زیر منحنی Receiver operating characteristic; ROC)) انجام شد. یافته­ها: نتایج حاصل از مدل SVM نشان داد که صحت طبقه­بندی، حساسیت و ویژگی مدل SVM در افتراق و تشخیص صحیح وجود محدودیت عملکردی در بیماران دیابتی به ترتیب برابر ۹۹%، ۱۰۰% و ۹۷% بود. سطح زیر منحنی ROC برای قدرت تشخیصی این مدل ۹۸/۰ بود. نتیجه­گیری: در این مطالعه SVM برای طبقه­بندی وضعیت محدودیت عملکردی بیماران دیابتی استفاده شد که نتایج نشان­گر صحت و دقت مناسب مدل بود. با توجه به اهمیت طبقه­بندی صحیح پیامدهای پزشکی بر اساس ترکیباتی از متغیرهای پیش­بین، استفاده از روش­هایی مانند SVM که قادر به یافتن چنین ترکیبات بهینه­ای هستند، می­تواند مفید باشد. واژه­های کلیدی: داده کاوی، ماشین بردار پشتیبان، محدودیت عملکردی، طبقه­بندی، تابع هسته

Data mining, SVM, Functional limitation, Classification, Kernel function., داده کاوی, ماشین بردار پشتیبان, محدودیت عملکردی, طبقه بندی, تابع هسته