Persian Abstract

زمینه و هدف: دیابت دوران بارداری می­تواند پیامدهای مضری بر سلامت کودکان به همراه داشته باشد. از آنجا که شروع دیابت دوران بارداری همزمان با دوره­ی تکامل مغزی جنین است، لذا پیش ­بینی قابلیت‌های شناختی کودک پیش از تولد از اهمیت بالایی برخوردار است. هدف این مطالعه پیش­بینی رشد تکاملی کودکان مادران مبتلا به دیابت دوران بارداری است. روش‌ها: در این مطالعه داده‌های مورد نیاز با مراجعه به پرونده‎های مادران باردار مراجعه کننده به مراکز بهداشتی درمانی شهر مشهد طی سال‌های 1390 تا 1392 جمع‎آوری گردید. داده‌ها توسط فرم معاینات دوره ­ای کودک گرد‌آوری و سپس با استفاده از الگوریتم‌های یادگیری مبتنی بر حافظه و درخت تصمیم و متغیر‌های دموگرافیکی مادر سطح مهارت‌های شناختی کودک مورد پیش‌بینی قرار گرفت. نتایج: صحت پیش ­بینی وضعیت مهارت شناختی کودکان برای سه مجموعه داده ­ی مادران سالم (92 مورد)، مادران با دیابت بارداری (83 مورد)، و کل داده­های حاصل از ترکیب این دو (175 مورد)، به‌صورت جداگانه توسط الگوریتم­های یادگیری درخت تصمیم و مبتنی بر حافظه، و با سه معیار دقت، بازخوانی و معیار F مورد ارزیابی قرار گرفت. الگوریتم یادگیری مبتنی بر حافظه در همه موارد نتایج بهتری نسبت به درخت تصمیم نشان داد.  نتیجه‌گیری: اختلال یا تاخیر در رشد توانمندی­های هوشی-شناختی کودک، موجب تحمیل هزینه­ های زیادی به سیستم بهداشتی درمانی جامعه در آینده می­شود. لذا با پیش­ بینی سطح مهارت‌های شناختی کودک پیش از تولد می­ توان تمهیدات پیش گیرانه موثری برای اجتناب از مشکلات احتمالی آینده اندیشید.

Title

Prediction of the Cognitive Ability Level in Children of Mothers with Gestational Diabetes: Data Mining Approach

Abstract

Background & Aim: Gestational diabetes could have harmful consequences on Children’s health. Since the initiation of gestational diabetes is simultaneous with brain evolution, this study is designed to predict evolutionary growth in children of mothers with gestational diabetes. Methods: In this study, the required data were obtained through investigating the profiles of pregnant women referring to Mashhad’s health centers during 2011 to 2013. The data collection tool was child’s periodical examination form. The data were predicted using memory based learning algorithms, decision tree, and demographic features of mother Results: The accuracy of prediction of children's cognitive ability status for three groups of healthy mothers (92), mothers suffering from gestational diabetes (83), and both groups (175) were separately evaluated through decision tree learning algorithms based on memory with three precision, ­recall and F-measure criteria. Memory based learning algorithm showed better results than decision tree in all cases. Conclusion: Since growth delay in the cognitive-intellectual ability of child imposes high costs to health care system in the future, preventive measures should be adopted by prediction of the level of child's cognitive skill in prenatal stage to avoid probable problems.