دوره 18، شماره 2 - ( 11-1397 )
جلد 18 شماره 2 صفحات 96-90 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Shafaei Bajestani N, Aradmehr M, Nasli Esfahani E, Khiabani tanha B. NEPHROPATHY PREDICTION IN DIABETIC PATIENT USING FUZZY REGRESSION MODEL. ijdld 2019; 18 (2) :90-96
URL: http://ijdld.tums.ac.ir/article-1-5751-fa.html
URL: http://ijdld.tums.ac.ir/article-1-5751-fa.html
شفاعی بجستانی نرگس، آرادمهر مریم، نسلی اصفهانی انسیه، خیابانی تنها بهروز. پیش‌بینی نفروپاتی در بیمار دیابتی با کمک مدل رگرسیون فازی. مجله دیابت و متابولیسم ایران. 1397; 18 (2) :90-96
1- گروه برق، واحد گناباد، دانشگاه آزاد اسلامی، گناباد، ایران ، narges.shafaei@gmail.com
2- گروه مامایی، دانشکده‌ی پرستاری و مامایی دانشگاه علوم پزشکی سبزوار، سبزوار، ایران
3- مرکز تحقیقات دیابت، پژوهشکده‌ی علوم غدد و متابولیسم دانشگاه علوم پزشکی تهران ،تهران، ایران
4- مرکز تحقیقات دیابت پارسیان، مشهد، ایران
2- گروه مامایی، دانشکده‌ی پرستاری و مامایی دانشگاه علوم پزشکی سبزوار، سبزوار، ایران
3- مرکز تحقیقات دیابت، پژوهشکده‌ی علوم غدد و متابولیسم دانشگاه علوم پزشکی تهران ،تهران، ایران
4- مرکز تحقیقات دیابت پارسیان، مشهد، ایران
چکیده: (3281 مشاهده)
مقدمه: دیابت یکی از بیماری‌های خطرناک و رایج جهان مدرن است. از آنجا که در تحقیقات پزشکی معمولاً داده‌های کمی در دسترس است و داده‌های پزشکی دارای عدم قطعیت و ابهام زیادی است، برای پیدا کردن رابطه‌ی ورودی و خروجی در داده‌های پزشکی استفاده از مدل های فازی مناسب به‌نظر می‌رسد. هیچکدام از مقالات قبلی از رگرسیون فازی برای پیش‌بینی عوارض دیابت از جمله نفروپاتی استفاده نکرده‌اند. لذا در این مطالعه، مدل رگرسیون فازی برای پیش‌بینی نفروپاتی در بیمار دیابتی استفاده شده است.
روش‌ها: در پژوهش حاضر از نتایج GFR آزمایشات قبلی بیمار برای پیش‌بینی افق دورتری از GFR و در نهایت پیش‌بینی عارضه‌ی کلیوی استفاده شده است. بیماری‌های مزمن کلیوی براساس مقدار GFR سطح‌بندی شده است که فازی سازی داده‌ها براساس این سطوح انجام شده است. پیش‌بینی GFR طی مراحل زیر انجام شد: مرحله‌ی 1، تعریف مجموعه‌های فازی براساس سطوح GFR، که برای هر سطح یک مجموعه فازی در نظر گرفته شده است. مرحله‌ی 2، فازی سازی داده‌های بیمار براساس مجموعه‌های فازی. مرحله‌ی 3، پیش‌بینی GFR با مدل رگرسیون فازی. مرحله‌ی 4، غیرفازی سازی مقادیر پیش‌بینی با استفاده از غیرفازی ساز میانگین. مرحله‌ی 5، ارزیابی کارایی مدل. خطای RMSE برای مقایسه کارایی مدل استفاده شده است.
یافته‌ها: نتایج پیش‌بینی GFR نشان داد که، مقایسه RMSE با استفاده از مدل رگرسیون خطی ساده 10.09 و با استفاده از مدل فازی 4.24 بود.
نتیجه گیری: مدل رگرسیون فازی قادر به پیش‌بینی نفروپاتی در بیماران دیابتی است.
روش‌ها: در پژوهش حاضر از نتایج GFR آزمایشات قبلی بیمار برای پیش‌بینی افق دورتری از GFR و در نهایت پیش‌بینی عارضه‌ی کلیوی استفاده شده است. بیماری‌های مزمن کلیوی براساس مقدار GFR سطح‌بندی شده است که فازی سازی داده‌ها براساس این سطوح انجام شده است. پیش‌بینی GFR طی مراحل زیر انجام شد: مرحله‌ی 1، تعریف مجموعه‌های فازی براساس سطوح GFR، که برای هر سطح یک مجموعه فازی در نظر گرفته شده است. مرحله‌ی 2، فازی سازی داده‌های بیمار براساس مجموعه‌های فازی. مرحله‌ی 3، پیش‌بینی GFR با مدل رگرسیون فازی. مرحله‌ی 4، غیرفازی سازی مقادیر پیش‌بینی با استفاده از غیرفازی ساز میانگین. مرحله‌ی 5، ارزیابی کارایی مدل. خطای RMSE برای مقایسه کارایی مدل استفاده شده است.
یافته‌ها: نتایج پیش‌بینی GFR نشان داد که، مقایسه RMSE با استفاده از مدل رگرسیون خطی ساده 10.09 و با استفاده از مدل فازی 4.24 بود.
نتیجه گیری: مدل رگرسیون فازی قادر به پیش‌بینی نفروپاتی در بیماران دیابتی است.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
