مجله تخصصی

مقدمه و اهداف: در طی سال‌های اخیر از جمله روش‌های پیش‌بینی و تشخیص بیماری در عرصه پزشکی، به کارگیری روش‌های پشتیبان تصمیم با الگوریتم‌های تکاملی و ترکیبی است، که دارای توانمندی بالایی در مدل‌سازی مسائل پزشکی و مهندسی دارند. هدف این مقاله مقایسه‌ی چند سامانه پشتیبان تصمیم‌گیری و بررسی دقت این سامانه‌ها در پیش‌بینی بیماری دیابت است.

روش کار: در مطالعه‌ی حاضر با استفاده روش ترکیب الگوریتم ژنتیک و لونبرگ- مارکوارت(Genetic Algorithm and Levenberg-Marquardt GALM ⁾ ، به تعیین و بهینه‌سازی اوزان‌های شبکه‌ی عصبی پرداخته شد، و برای بررسی اعتبارسنجی مدل‌ها، از روش‌های اعتبار سنجی سنتی و اعتبار سنجی  kباره (K-Fold Cross Validation K-Fold  ) استفاده گردید، و در نهایت مدل پیشنهادی (GALM) با مدل‌های رگرسیون لجستیک، الگوریتم ژنتیک از طریق نمودار سطح زیر منحنی(Receiver operating characteristic, (ROC)) و ماتریس در هم ریختگی(Confusion matrix) مقایسه گردید.

نتایج: پس از انجام بررسی‌ها معلوم شد در بین مدل‌های مقایسه شده، مدل حاصل از الگوریتم GALM دارای حساسیت و ویژگی بالاتری نسبت به مدل‌های رگرسیون لجستیک و الگوریتم ژنتیک می‌باشند. هم‌چنین در بین مدل‌ها، مدل پیشنهادی (الگوریتم GALM) مدلی است که دارای حساسیت، ویژگی، ارزش اخباری منفی (NPV) (Negative Predictive Value NPV )، ارزش اخباری مثبت (PPV) (Positive Predictive Value PPV) ، بالا و درست‌نمایی منفی (-LR) (Negative Likelihood Ratio NLR ) پایین و نزدیک به صفر می‌باشد، و می‌توان این مدل را به عنوان مدلی مناسب انتخاب کرد.

نتیجه‌گیری: نتایج نشان می‌دهد، مدل GALM با میزان‌های به ترتیب حساسیت، ویژگی، ارزش اخباری مثبت، ارزش اخباری منفی، سطح زیر منحنی 7/98، 01/90، 8/91، 3/98، 972/0، در مقایسه با مدل‌های GA و LR مدلی مناسب برای پیش‌بینی دیابت می‌باشد.