مجله

---

مقدمه: ارائه خدمات مراقبتی و بهداشتی افراد مبتلا به بیماری دیابت اطلاعات مفیدی ایجاد می‌کند که از این اطلاعات می‌توان برای شناسایی، درمان، مراقبت‌های بعدی و حتی پیشگیری از بیماری دیابت استفاده نمود. از طرفی کاوش و بررسی حجم زیادی از این اطلاعات، نیازمند استفاده از روش‌های موثر و کارآمدی برای یافتن الگوهای مربوط در این اطلاعات می‌باشد که استفاده از تکنیک‌های مختلف داده‌کاوی به‌خصوص دسته‌بندی و الگوهای تکرار شونده می‌تواند کمک شایانی در این زمینه باشد.

روش‌ها: پایگاه‌های اطلاعاتیScholar, Science Direct  Google Scopus, Pubmed, با هدف یافتن مقالات، جستجو و مقالات انگلیسی منتشر شده در سال‌های 2005 تا 2015 مورد بررسی قرار گرفتند. مقالات به‌دست آمده از نظر جمعیت مورد مطالعه، مجموعه داده‌های مورد استفاده و روش‌های داده‌کاوی ارزیابی شدند.

یافته‌ها: از میان 2144 مقاله به‌دست آمده در جستجوی اولیه، تعداد 38 مقاله مرتبط با موضوع مطالعه، انتخاب و مورد بررسی قرار گرفت. نتایج این بررسی نشان می دهد که الگوریتم های خوشه بندی، قوانین انجمنی و هوش مصنوعی از پرکاربردترین تکنیک‌های داده‌کاوی می‌باشند که برای تشخیص و پیش‌بینی احتمال ابتلا به بیماری دیابت با موفقیت مورد استفاده قرار گرفته‌اند.

نتیجه‌گیری: پیاده‌سازی روشی که بتواند امکان ابتلا یا عدم ابتلای افراد به دیابت را مشخص کند، گام مهمی در کنترل بیماری دیابت خواهد بود. با توجه به مطالعات انجام شده، داده‌کاوی می‌تواند به‌عنوان روشی موثر در پیشگیری، درمان و کشف ارتباط بین بیماری دیابت و عوامل خطر آن، موجب پیشرفت‌های قابل توجه در حوزه تحقیقات دیابت و ارائه مراقبت‌های بهداشتی بهتر برای این گروه از بیماران باشد.

---

مقدمه: دیابت چهارمین عامل مرگ و میر در دنیا است. و از آنجایی که بسیاری از مردم جهان به این بیماری مبتلا و یا در معرض خطر آن هستند، می‌توان دیابت را بیماری قرن نامید. دیابت تأثیرات مخربی بر سلامتی افراد جامعه دارد و در صورت تشخیص دیر هنگام، می‌تواند صدمات جبران‌ناپذیری به ‌بینایی، کلیه‌ها، قلب، شریان‌ها و غیره وارد کند. بنابراین لازم است که روش‌هایی برای تشخیص این بیماری در مراحل اولیه وجود داشته باشد. در این مقاله، از داده‌کاوی در تشخیص دیابت استفاده شده است.
روش‌ها: الگوریتم اصلی مورد استفاده در این مقاله، الگوریتم جنگل تصادفی است. برای بررسی کارایی الگوریتم پیشنهادی در تشخیص بیماری دیابت از مجموعه داده‌هایی استفاده شده است که شامل 768 نمونه (بیمار) و دارای 8 ویژگی بوده است. از آنجایی که الگوریتم جنگل تصادفی یک الگوریتم ترکیبی است و از چندین درخت تصمیم ایجاد شده است، باعث رسیدن به دقت بالایی در تشخیص بیماری دیابت می‌گردد.
یافته‌ها: با استفاده از این الگوریتم توانستیم میزان دقت تشخیص بیماری دیابت را به 86/99 % افزایش دهیم.
نتیجه‌گیری: برای تشخیص دیابت از الگوریتم‌های مختلفی استفاده شده است ما سعی کردیم از الگوریتمی استفاده کنیم که نسبت به بقیه الگوریتم‌ها برای تشخیص این بیماری از میزان دقت بسیار بالایی برخوردار باشد.

---

مقدمه: دیابت نوع دو یکی از تهدیدات جدی برای سلامت عمومی در قرن حاضر است و هزینه‌های اقتصادی و درمانی قابل‌توجهی را بر نظام‌های سلامت تحمیل می‌کند. پیش‌بینی دقیق روند ابتلا به دیابت می‌تواند نقش مؤثری در مدیریت منابع و طراحی برنامه‌های مداخله‌ای ایفا کند.
روش‌ها: در این مطالعه، یک مدل ترکیبی مبتنی بر اتوماتای سلولی یادگیر (CLA) و الگوریتم رتبه‌بندی برتری و فروتری (SIR) توسعه داده شده است تا با بهره‌گیری از داده‌های بیماران دیابتی واقعی در استان کرمان، روند گسترش بیماری در افق ۲۰ساله آتی پیش‌بینی شود. داده‌های مورداستفاده شامل ویژگی‌های دموگرافیک و آزمایشگاهی بیماران دیابتی طی سال‌های ۱۳۸۳ تا ۱۳۹۱ بوده است. پس از پیش‌پردازش داده‌ها و حذف مقادیر گمشده، مدل پیشنهادی در نرم‌افزار MATLAB پیاده‌سازی شد.
یافته‌ها: نتایج نشان داد که ترکیب مدل CLA و SIR توانسته است بادقت بالایی روند شیوع بیماری را مدل‌سازی کند. همچنین، فاکتورهایی نظیر فشارخون، کلسترول و شاخص توده بدنی به‌عنوان عوامل مؤثر کلیدی در روشن‌شدن سلول‌های مدل شناسایی شدند.
نتیجه‌گیری: یافته‌ها بیانگر آن است که استفاده از رویکردهای هوشمند می‌تواند در تحلیل داده‌های سلامت و پیش‌بینی بیماری‌های مزمن مؤثر باشد.