Persian Abstract

زمینه و هدف: بیماری دیابت یکی از شایع ترین و پر هزینه ترین بیماری ها می باشد که تشخیص به ‌موقع آن می ‏تواند منجر به کاهش پیشرفت این بیماری و عوارض ناشی از آن شود. این پژوهش با هدف تعیین وضیعت بیماری دیابت ازنظر ابتلا و یا عدم ابتلا به آن، با استفاده از تکنیک‏ های داده‌کاوی انجام ‌شده است. روش­ ها: این مطالعه از نوع تحلیلی بوده و پایگاه داده آن شامل 254 رکورد مستقل مبتنی بر 13 ویژگی و جمع‌آوری‌شده توسط محققین طرح از یکی از مراکز تخصصی دیابت شهرستان مشهد می‌باشد. نتایج: پس از پیش‌پردازش داده ‏ها روش‌های مختلف تشخیص الگو مورد بررسی قرار گرفتند، با استفاده از شبکه‏ عصبی پرسپترون چندلایه MLP، شبکه عصبی LVQ، بردار پشتیبان SVM و روش خوشه‌بندی Kmeans، میانگین حداقل مربعات خطا محاسبه گردید. صحت عملکرد هر یاد گیر به ترتیب 94، 92، 96 و 93 محاسبه گردید. نتیجه ­گیری: نتایج مطالعه حاکی از آن است که روش SVM عملکرد بهتری نسبت به سایر روش‏ها در تشخیص بیماری دیابت دارد.

Title

Diagnosis of diabetes by using a data mining method based on native data

Abstract

Background & Aim: Detecting the abnormal performance of diabetes and subsequently getting proper treatment can reduce the mortality associated with the disease. Also, timely diagnosis will result in irreversible complications for the patient. The aim of this study was to determine the status of diabetes mellitus using data mining techniques. Methods: This is an analytical study and its database contains 254 independent records based on 13 characteristics. Data is collected by a researcher from one of the specialized diabetes centers in Mashhad. Results: After preprocessing of the obtained data, different methods of pattern recognition were applied. Using multilevel MLP neural networks, LVQ neural networks, SVM support vector and Kmeans clustering method, the mean square error (RMSE) was calculated. The correctness of each learner's performance is 94, 92, 96, and 93, respectively. Conclusion: Reducing the diagnosis of diabetes is one of the goals of the researchers. Using data mining techniques can help to reduce this error. In this study, among different protocols used for pattern recognition, SMV method displayed a significantly better performance.