fa مقایسه سامانه‌‌های پشتیبان تصمیم‌گیری در پیش‌بینی دیابت عمومى General پژوهشي Research <div style="margin-right:87.6pt"> <p dir="RTL"><strong>مقدمه و اهداف:</strong> 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.</p> <p dir="RTL"><strong>روش کار:</strong> در مطالعه‌ی حاضر با استفاده روش ترکیب الگوریتم ژنتیک و لونبرگ- مارکوارت(<span dir="LTR">Genetic Algorithm and Levenberg-Marquardt GALM</span> ⁾ ، به تعیین و بهینه‌سازی اوزان‌های شبکه‌ی عصبی پرداخته شد، و برای بررسی اعتبارسنجی مدل‌ها، از روش‌های اعتبار سنجی سنتی و اعتبار سنجی <span dir="LTR"> k</span>باره (<span dir="LTR">K-Fold Cross Validation K-Fold</span>  ) استفاده گردید، و در نهایت مدل پیشنهادی (<span dir="LTR">GALM</span>) با مدل‌های رگرسیون لجستیک، الگوریتم ژنتیک از طریق نمودار سطح زیر منحنی(<span dir="LTR">Receiver operating characteristic, (ROC)</span>) و ماتریس در هم ریختگی(<span dir="LTR">Confusion matrix</span>) مقایسه گردید.</p> <p dir="RTL"><strong>نتایج:</strong> پس از انجام بررسی‌ها معلوم شد در بین مدل‌های مقایسه شده، مدل حاصل از الگوریتم <span dir="LTR">GALM</span> دارای حساسیت و ویژگی بالاتری نسبت به مدل‌های رگرسیون لجستیک و الگوریتم ژنتیک می‌باشند. هم‌چنین در بین مدل‌ها، مدل پیشنهادی (الگوریتم <span dir="LTR">GALM</span>) مدلی است که دارای حساسیت، ویژگی، ارزش اخباری منفی <span dir="LTR">(NPV)</span> (<span dir="LTR">Negative Predictive Value NPV</span> )، ارزش اخباری مثبت <span dir="LTR">(PPV)</span> (<span dir="LTR">Positive Predictive Value PPV</span>) ، بالا و درست‌نمایی منفی <span dir="LTR">(-LR)</span> (<span dir="LTR">Negative Likelihood Ratio NLR</span> ) پایین و نزدیک به صفر می‌باشد، و می‌توان این مدل را به عنوان مدلی مناسب انتخاب کرد.</p> <p dir="RTL"><strong>نتیجه‌گیری:</strong> نتایج نشان می‌دهد، مدل <span dir="LTR">GALM</span> 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 <span dir="LTR">GA</span> و <span dir="LTR">LR</span> مدلی مناسب برای پیش‌بینی دیابت می‌باشد.</p> </div> <p dir="ltr"><strong>Background & Objectives:</strong> In recent years, different decision support systems (DSS) have been used to predict and diagnose diseases. The purpose of this paper was to compare some DSSs and to evaluate their accuracy in predicting diabetes. </p> <p dir="ltr"><strong>Methods:</strong> In this research, determination and optimization of the weights of the neural network were undertaken using genetic algorithm and Levenberg-Marquardt (GALM). Traditional and K-Fold Cross Validation were used to verify the models. Finally, the proposed model (i.e. GALM) was compared using logistic regression and genetic algorithm based on area under curve (AUC), and Confusion Matrix.</p> <p dir="ltr"><strong>Results:</strong> After evaluating the results, the model based on the GALM algorithm showed better sensitivity and specificity in comparison with models based on the logistic regression (LR) and genetic algorithm (GA). Furthermore, among other models, the proposed model had a high sensitivity, specificity, negative predictive value (NPV), positive predictive value (PPV), and a small negative likelihood<strong>.</strong></p> <p dir="ltr"><strong>Conclusion:</strong> The results showed that the GALM model with a sensitivity, specificity, PPV, NPV, and AUC of 98.7, 90.01, 91.8, 98.3 and 0.979 respectively was an appropriate model for predicting diabetes in comparison with models of GA and LR.</p> دیابت, شبکه عصبی, الگوریتم ژنتیک Diabetes, Neural Network, Genetic Algorithm, Levenberg-Marquardt 46 53 http://irje.tums.ac.ir/browse.php?a_code=A-10-25-5115&slc_lang=fa&sid=1 M Jahani میثم جهانی No کارشناسی ارشد مهندسی فناوری اطلاعات،گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه قم J Rezaenoor جلال رضایی نور j.rezaee@qom.ac.ir Yes استادیار مهندسی صنایع، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه قم E Hadavandi اسماعیل هداوندی No دانشجوی دکتری مهندسی صنایع، گروه مهندسی صنایع، دانشگاه امیرکبیر I Salehi ایرج صالحی No دانشیار فیزیو لوژی،گروه فیزیولوژی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی همدان H Tahsini حبیب اله تحسینی No دانشجوی کارشناسی ارشد، گروه آمار زیستی،دانشگاه علوم پزشکی همدان