Journal of School of Public Health and Institute of Public Health Research

other تشخیص بیماری دیابت با استفاده از یادگیری ماشین و الگوریتم‌های تکاملی Diagnosis of Diabetes Using Machine Learning and Evolutionary Algorithms بهداشت عمومی Public Health پژوهشي Research زمینه و هدف: در سالهای اخیر، یادگیری ماشین و الگوریتمهای تکاملی توجه پژوهشگران و متخصصین در حوزههای مختلف، به ویژه حوزه سلامت را به جنبههای کاربردی آنها در پردازش مجموعه دادههای کلان برای ارائه بینشهای مفید به خود جلب کردهاند. از طرف دیگر، تشخیص سریع و دقیق بیماری دیابت یکی از مهم‌ترین مسائل در پزشکی است و افزایش نرخ ابتلا به این بیماری برای جوامع جهانی نگرانی‌های بسیاری را به همراه داشته است. مطالعه حاضر با هدف ایجاد یک مدل تشخیصی مبتنی بر الگوریتمهای تکاملی و یادگیری ماشین جهت تشخیص بیماری دیابت انجام شد. روش کار: این پژوهش یک چارچوب مبتنی بر تشخیص هوشمند بیماری دیابت را ارائه میدهد. روش پیشنهادی شامل دو مرحله اصلی است: مرحله اول شامل رویکرد طبقهبندی با استفاده از الگوریتمهای K-نزدیکترین همسایه و جنگل تصادفی است. مرحله دوم شامل رویکرد ترکیبی انتخاب ویژگی و طبقهبندی به منظور بهبود نتایج مرحله اول است که در آن از الگوریتمهای بهینهساز گرگ خاکستری، بهینهساز نهنگ و بهینهساز ازدحام ذرات جهت انتخاب ویژگی استفاده شده است. در این تحقیق از مجموعه داده‌ دیابت هندی پیما استفاده شده است. تجزیه و تحلیل مقایسهای بین رویکردهای مختلف از طریق شاخصهای ارزیابی دقت، صحت و فراخوانی و امتیاز F1 انجام شده است. نتایج: پس از مقایسه های تطبیقی بین مدلهای پیشنهادی، مدل جنگل تصادفی مبتنی بر بهینهساز گرگ خاکستری با صحت پیشبینی 81/38%  به عنوان مدل نهایی انتخاب و معرفی شد. نتیجه گیری: نتایج حاصل از این پژوهش نشان میدهد که استفاده از الگوریتمهای تکاملی در کنار مدلهای یادگیری ماشینی، میتواند کارایی و صحت تشخیص بیماری دیابت و عوارض ناشی از آن را در بیشتر مواقع افزایش دهد.   Background and Aim: In recent years, machine learning and evolutionary algorithms have drawn the attention of researchers and specialists in various fields, especially in healthcare, due to their practical applications in processing large datasets to provide valuable insights. Considering the increasing prevalence of diabetes and its rapid and accurate diagnosis being one of the most critical issues in medicine, significant concerns are faced by global communities worldwide. The present study was conducted with the aim of creating a diagnostic model based on evolutionary algorithms and machine learning to diagnose diabetes. Materials and Methods: This research based on the Indian Pima diabetes dataset presents a framework based on intelligent diabetes diagnosis. The proposed method consists of two main stages. The first stage involves a classification approach using K-nearest neighbors and random forest algorithms. The second stage includes a combined feature selection and classification approach to enhance the results of the first stage, utilizing grey wolf optimization, whale optimization, and particle swarm optimization algorithms for feature selection. Comparative analysis among different approaches is conducted through evaluation metrics such as accuracy, precision, recall, and F1-score. Results: After comparative comparisons among the proposed models, the random forest model based on the grey wolf optimization was selected and introduced as the final model with a prediction accuracy of 81.38%. Conclusion: The findings of this research indicate that the use of evolutionary algorithms alongside machine learning models can often enhance the efficiency and accuracy of diabetes diagnosis and its associated complications.   تشخیص دیابت, یادگیری ماشین, الگوریتم‌های تکاملی, انتخاب ویژگی Diabetes Diagnosis, Machine Learning, Evolutionary Algorithms, Feature Selection 41 54 http://sjsph.tums.ac.ir/browse.php?a_code=A-10-1-253&slc_lang=other&sid=1 Mehrnoosh Ahangarani مهرنوش آهنگرانی No Mohammad Jafar Tarokh محمد جعفر تارخ mjtarokh@kntu.ac.ir Yes