جواد لعل دشتی - کارشناسی ارشد مهندسی کامپیوتر، موسسه آموزش عالی غیرانتفاعی اشراق، بجنورد، ایران
محسن محمدی - Ph.D. in Information Technology, Associate Professor, Computer Dept., Esfarayen University of Technology, Esfarayen, Iran
فرهنگ پدیدران مقدم - دکتری فناوری اطلاعات، استادیار گروه کامپیوتر، موسسه آموزش عالی غیرانتفاعی اشراق، بجنورد، ایران

مقدمه: سندروم متابولیک به معنای وجود گروهی از عوامل خطر ساز برای بروز بیماری های قلبی- عروقی و دیابت در یک شخص است. وجود علائم و ویژگی های مختلف این بیماری، تشخیص را برای پزشکان دشوار می کند. داده کاوی امکان تحلیل داده های بالینی بیماران برای تصمیم گیری های پزشکی را فراهم می کند. هدف این مقاله، ارائه یک مدل برای افزایش دقت پیش بینی سندرم متابولیک است. روش: در این مطالعه کاربردی-توصیفی، پرونده پزشکی ۱۴۹۹ بیمار مبتلا به سندرم متابولیک با تعداد ۱۵ ویژگی مورد بررسی قرار گرفت. اطلاعات بیماران از پایگاه داده استاندارد بیمارستان فوق تخصصی شهدای گارگر یزد جمع آوری شد. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بودند. در این مقاله برای پیش بینی و تشخیص سندرم متابولیک، از الگوریتم کلونی زنبور عسل برای بهینه سازی نتایج الگوریتم داده کاوی KNN استفاده شد و یک مدل جدید ارائه گردید. نتایج: بر اساس تابع هدف برای پیش بینی عارضه افزایش چربی خون از روش پیشنهادی، الگوریتم های گرگ خاکستری، ازدحام ذرات و ژنتیک برای بهبود عملکرد الگوریتم KNN استفاده شد. تحلیل های صورت گرفته نشان می دهد که مدل پیشنهادی با دقت پیش بینی ۰/۹۲۱ از روش های فازی، ماشین بردار پشتیبان، درخت تصمیم و شبکه عصبی دقت بیشتر ی دارد. نتیجه گیری: جستجو در پایگاه داده های پزشکی برای رسیدن به دانش و اطلاعات جهت پیش بینی، تشخیص و تصمیم گیری از کاربردهای داده کاوی در پزشکی است. می توان از الگوریتم های وراثتی برای بهینه سازی تکنیک های داده کاوی استفاده کرد. پیش بینی و تشخیص صحیح سندرم متابولیک با استفاده از هوش مصنوعی و یادگیری ماشین، شانس درمان موفق را بالا می برد.

Metabolic syndrome, Bee colony algorithm, Decision tree, سندرم متابولیک , الگوریتم کلونی زنبور عسل, درخت تصمیم