مجله

---

مقدمه: یکی از عوارض خطرناک بیماری دیابت نوع یک افزایش و کاهش ناگهانی سطح غلظت قند خون می‌باشد که باعث بروز خطراتی چون اغماء و بیهوشی خواهد شد. بنابراین استفاده از روش‌هایی با درصد خطای پایین و هوشمند با اطلاعات موجود در جهت پیش بینی و در نهایت پیشگیری از این عوارض،گام مهمی در جهت کنترل بهینه بیماری محسوب می‌شود. به همین منظور در این مقاله ما از الگوریتم ترکیبی Fuzzy SARSA برای طراحی سیستم خبره در جهت پیش بینی نوسانات سطح قند خون بیماران مبتلا به دیابت نوع یک استفاده کرده‌ایم. هدف از این مقاله، ارائه و پیاده سازی یک الگوریتم ترکیبی جدید مبتنی بر یادگیری تقویتی و منطق فازی به نام FSA(Fuzzy SARSA Algorithm) برای طراحی سیستم خبره می‌باشد. روش‌ها: داده‌های پزشکی مورد استفاده در این مقاله مربوط به 3 بیمار زن ایرانی مبتلا به دیابت نوع یک است، که شامل الگوهایی چون نوع و دز انسولین تزریقی، فاصله زمانی بین ساعات ثبت سطح غلظت قند خون و نیز سطح غلظت قند خون در ابتدای بازه زمانی می‌باشد. در این مقاله از الگوریتم معروف یادگیری تقویتی به نام SARSA استفاده شده و با منطق فازی پیاده‌سازی شده و الگوریتم Fuzzy SARSA را در سیستم خبره برای پیش بینی نوسانات سطح قند خون بیماران مبتلا به دیابت نوع یک به‌کار برده‌ایم. یافته‌ها: نتایج به‌دست آمده برای سیستم خبره با الگوریتم پیشنهادی FSA برای عامل یادگیرنده با استفاده از پارامترهای، سطح غلظت قند خون در ابتدای بازه زمانی (mg/dlit)، دز انسولین کوتاه اثر تزریقی به بدن (unit)، دز انسولین طولانی اثر تزریقی به بدن (unit)، سطح استرس (unit)، سطح فعالیت بدنی (unit)، کربوهیدرات مصرفی (gr)، فاصله میان ابتدا و انتهای بازه زمانی (hour) نشان می‌دهد که عامل توانسته در 85 درصد سطح قند خون را در بازه نرمال 80 تا 120 نگه داردو در 15 درصد خطایی که عامل داشته مواقعی‌است که عامل اکتشاف درستی برای تزریق انسولین کوتاه اثر و طولانی اثر نداشته است. نتیجه گیری: در پایان تحقیق با توجه به نتایج به‌دست آمده مشخص شد که الگوریتم پیشنهادی برای سیستم هوشمند با کاهش تقریباً 15 درصدی خطای پیش‌بینی نسبت به دیگر روش‌های متدوال و از جمله روش‌های مبتنی بر یادگیری تقویتی، می‌توانند به‌عنوان مدلی مناسب به‌منظور پیش بینی نوسانات سطح غلظت قند خون در بیماران مبتلا به دیابت نوع یک تلقی گردد، ضمن اینکه می‌توان از سایر روش‌های پیش بینی مبتنی بر هوش مصنوعی مانند شبکه‌های عصبی جهت پیش‌بینی دقیق استفاده کرد.

---

مقدمه: تشخیص به موقع بیماری دیابت به‌طور چشم‌گیری صدمات و آسیب‌های ناشی از این بیماری را در جامعه کاهش می‌دهد. دیابت بیماری است که علاوه بر پیشگیری، نیاز به مراقبت‌های فراوانی از قبیل پیش بینی صحیح میزان نوسانات سطح قند خون دارد. از مهم‌ترین عوارض این بیماری می‌توان به بیهوشی، کما و حتی مرگ اشاره کرد. امروزه در این بیماران، تعیین صحیح دُز انسولین براساس تجربه و دانش پزشکان در کنار تعامل بیماران با آن‌ها مشخص می‌شود، هر چند که وجود خطاهای انسانی اجتناب ناپذیر است.
روش‌ها‌: در این تحقیق 124 بیمار و 188 فرد سالمِ مشکوک به بیماری براساس 21 ویژگی (7 ویژگی به‌منظور تشخیص، 14 ویژگی به‌منظور پیش‌بینی دُز انسولین) مورد مطالعه و بررسی قرار گرفتند، سپس سیستمی ارائه شد که ابتدا شناسایی یا تشخیص بیماری را انجام دهد، بعد برای افراد بیمار، مهم‌ترین داروی این بیماران، یعنی دُز انسولین مشخص کند. سیستم پیشنهادی دارای دو مرحله (تشخیص بیماری و پیش‌بینی) و چندین زیر سیستم می‌باشد. در مرحله‌ی تشخیص بیماری، زیر سیستم‌هایی از قبیل سیستم فازی (Fuzzy) به‌منظور برآورد صحیح پیشرفت بیماری در بیماران، درخت تصمیم‌گیری (D-T) به‌منظور تهیه قوانین در سیستم فازی (فرآیند نگاشت فضای ویژگی (افراد) به خروجی (نتیجه‌ی تشخیص)) استفاده شده است. همچنین در مرحله‌ی پیش‌بینی دُز انسولین از الگوریتم‌های کاوشی (BPSO) به‌منظور انتخاب بهترین ویژگی‌ها، الگوریتم‌های طبقه‌بندی (SVM) به‌منظور طبقه‌بندی ویژگی‌های مؤثر از غیر مؤثر و سیستم‌های انطباقی مصنوعی فازی – عصبی (ANFIS) برای پیش‌بینی نهایی داروی بیماران استفاده شده است.
یافته‌‌ها: سیستم پیشنهادی براساس بهترین ویژگی‌ها در بانک داده تهیه شده در قالب ترکیب و تعامل موفق شد به دقت 1/95% دست یابد، که البته در هنگام مقایسه با سایر روش‌های معمول به سرعت قابل توجه و عملکرد مناسب آن و البته دقت بالای آن پی‌ می‌بریم.
نتیجه‌گیری:‌ نتایج به‌دست آمده به‌میزان قابل توجهی نسبت به تحقیقات قبلی بهبود یافت. همچنین در مقایسه با نتایج پزشکان، نشان دهنده‌ی عملکرد خوب در صحت پیش‌بینی سری زمانی غلظت قند خون است، چرا که سیستم پیشنهادی موفق شد، سطح قند خون تا 48 ساعت آینده را پیش‌بینی نماید.

---

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.

---

مقدمه: امروزه در اکثر بیمارستان‌های ایران بانک اطلاعاتی وسیعی از ویژگی‌های بیماران موجود است که حجم بالایی از اطلاعات مربوط به سوابق بیماری، خانوادگی و پزشکی را شامل می‌شود. پیدا کردن الگوی دانش این اطلاعات می‌تواند در جهت پیش‌بینی عملکرد نظام پزشکی و بهبود فرآیندهای آموزشی کمک شایانی کند.
روش‌ها: تکنیک‌های داده‌کاوی ابزار تحلیلی هستند که برای استخراج دانش معنادار از مجموعه داده‌های بزرگ مورد استفاده قرار می‌گیرند. در این تحقیق از اطلاعات 500 نفر از مراجعه‌کنندگان به مرکز بهداشت شهید بلندیان قزوین استفاده شده است. در این تحقیق با استفاده از روش‌های داده‌کاوی درخت تصمیم و شبکه عصبی و شبکه‌ی بیزین یک مدل پیش‌بینی شده انجام شده است.
یافته‌ها: مدل درخت تصمیم بیش‌ترین دقت و شبکه‌ی بیزین کم‌ترین دقت را در تشخیص بیماران دیابت دارد و به تبع آن درخت تصمیم کم‌ترین خطا و شبکه‌ی بیزین بیشترین خطا را دارا هست. مدل درخت تصمیم با 68/95 درصد بیشترین دقت را در پیش‌بینی داشته است.
نتیجه‌گیری: چربی بیشترین تأثیر را در پیش‌بینی بیماری دیابت و جنسیت کمترین تأثیر را در پیش‌بینی بیماری دیابت دارا هست. بر اساس تحلیل درخت تصمیم قوانین به‌دست آمده در بین ویژگی‌های بیان شده متغیرهای سن و میزان قند بیشترین تأثیر را در پیش‌بینی وقوع بیماری دیابت (طبق تحلیل نرم‌افزار) را دارا هستند و با ایجاد رژیم غذایی مناسب می‌توان از ابتلا به این بیماری جلوگیری کرد.

---

مقدمه: دیابت سالانه باعث مرگ‌ومیر فراوانی می‌شود و تعداد افراد زیادی که به این بیماری مبتلا هستند به اندازه‌ی کافی وضعیت سلامت خود را درک نمی‌کنند. این مطالعه یک مدل مبتنی بر داده‌کاوی به‌منظور تشخیص و پیش‌بینی زودهنگام دیابت پیشنهاد می‌کند.
روش‌ها: با وجود اینکه تکنیک کا-میانه ساده است و می‌توان آن را برای طیف گسترده‌ای از انواع داده‌ها استفاده کرد، اما نسبت به موقعیت‌های اولیه مراکز خوشه که نتیجه‌ی نهایی خوشه را تعیین می‌کنند بسیار حساس است، به‌طوری‌که یا یک مجموعه داده‌ی خوشه‌بندی شده مناسب و کارا را برای مدل رگرسیون لجستیک فراهم می‌کند و یا مقدار کمتری داده را در نتیجه‌ی خوشه‌بندی ناصحیح مجموعه داده‌ی اصلی ارائه می‌دهد. از این‌رو، عملکرد مدل رگرسیون لجستیک را محدود می‌کند. هدف اصلی این مقاله تعیین راه‌های بهبود خوشه‌بندی کا-میانه و نتیجه‌ی دقت رگرسیون لجستیک است. از این‌رو، الگوریتم پیشنهادی شامل تکنیک‌های تحلیل مؤلفه‌های اصلی، کا-میانه و مدل رگرسیون لجستیک است.
یافته‌ها: نتایج به‌دست‌آمده از این مطالعه نشان می‌دهد که توانایی به‌دست آوردن نتیجه‌ دقت خوشه‌بندی کا-میانه بسیار بالاتر از آن چیزی است که سایر محققان در مطالعات مشابه به‌دست آورده‌اند. همچنین در مقایسه با نتایج به‌دست‌آمده از سایر الگوریتم‌ها، مدل رگرسیون لجستیک در سطح بهبود یافته‌ای در پیش‌بینی شروع دیابت اجرا شد. مزیت واقعی دیگر این است که الگوریتم پیشنهادی توانست با موفقیت یک مجموعه داده‌ی جدید را مدل کند.
نتیجه‌گیری: به‌طور کلی، رویکرد پیشنهادی می‌تواند به شکل تأثیرگذاری در پیش‌بینی و تشخیص زودهنگام دیابت استفاده شود.

---

مقدمه: دیابت نوع دو به‌سرعت در حال افزایش است، به‌ویژه در خاورمیانه که چاقی مرکزی عامل مهمی در بار بیماری است. شناسایی افراد با شانس بالای ابتلا نیازمند نمایه‌هایی است که چربی احشایی را بهتر از نمایۀ تودۀ بدنی (BMI) ارزیابی کنند. این مطالعه ۹ نمایۀ پیکرسنجی را در ارتباط با دیابت مقایسه و توان پیش‌بینی و مقادیر برش بهینه را تعیین کرد.
روش‌ها: 19 تحلیل مقطعی شامل 103/10بزرگسال 35-70 ساله از کوهورت فسا بود. دیابت براساس گلوکز ناشتا ≥۱۲۶ mg/dL یا مصرف داروی ضددیابت تعریف شد. اندازه‌گیری‌ها شامل BMI، دور کمر (WC)، دور باسن (HC)، نسبت دور کمر به باسن (WHR)، نسبت دور کمر به قد (WHtR)، نمایۀ گردی بدن (BRI)، نمایۀ چربی بدن (BAI)، نمایۀ شکل بدن (ABSI)، نمایۀ حجم شکمی (AVI) و نمایۀ دور کمر تعدیل‌شده بر وزن (WWI) بود. ارتباط‌ها با رگرسیون لجستیک (خام و تعدیل‌شده) بررسی شد. دقت با منحنی مشخصه عملکرد گیرنده (ROC)، سطح زیر منحنی (AUC) و نمایۀ یودن سنجیده شد.
یافته‌ها: افراد دیابتی مقادیر بالاتری از نمایه‌های پیکرسنجی داشتند (05/0p<). در مدل‌های تعدیل ‌شده، WC، WHR، WHtR، AVI و WWI پیش‌بینی‌کننده‌های معنادار بود WHR ((05/0p<)) بالاترین AUC را داشت ((001/0p<)، 651/0). مقادیر برش بهینه با حساسیت و ویژگی بالا شامل 91/0= WHR، 53/0 WHtR=و 1/4 BRI= بود.
نتیجه‌گیری: نمایه‌های چاقی مرکزی — به‌ویژه WHR، WHtR و BRI— توان تفکیک بالاتری برای دیابت نشان دادند و استفاده از نمایه‌های ساده مبتنی بر دور کمر را برای غربالگری زودهنگام تأیید می‌کند.