ارائه مدلی جهت پیش بینی بیماری دیابت با استفاده از شبکه عصبی
نویسندگان
چکیده مقاله:
Introduction: Meta-heuristic and combined algorithms have a great capability in modelling medical decision making. This study used neural networks in order to predict Type 2 Diabetes (T2D) among high risk individuals. Methods: This study was an applied research. Data from 545 individuals (diabetic and non-diabetic), in Diabetes Clinic of Hamedan University of Medical Sciences, were used to develop predictive diabetes models. Memetic algorithms which are a combination of genetic algorithm (GA), local search algorithm, and neural networks were applied to update weights and improve predictive accuracy of neural network models. In the first step, optimum parameters for neural networks such as momentum rate, transfer functions, and error functions were examined through trial and error and other studies. Results: The preliminary analysis showed that the accuracy of neural networks was 88 percent. The use of memetic algorithm improved its accuracy to 93.2 percent. Among models, regression model had the least accuracy. For the memetic algorithm model the amount of sensitivity, specificity, positive predictive value, negative predictive value, and area under the curve were 96.2, 95.3, 93.8, 92.4, and 0.958, respectively. These parameters for GA were 98.0, 84.8, 88.6, 98.2, and 0.952 and for the logistic regression model were 95.6, 84.5, 94.7, 87.0, and 0.916, respectively. Conclusions: Models developed by neural networks have a higher predictive accuracy than the regression model. The results of this study can contribute to risk management and planning of health services by providing healthcare decision makers with more accurate predictive models based on clinical and life style characteristics of individuals.
منابع مشابه
ارائه مدلی برای پیش بینی بیماری لیشمانیوز جلدی (سالک) با استفاده از سامانه اطلاعات مکانی و الگوریتم شبکه عصبی
بیماری سالک، از بیماری‌های انگلی می‌باشد که در شمار بیماری‌های مشترک بین انسان و حیوان قرار می‌گیرد. این بیماری از شایع‌ترین فرم بیماری لیشمانیوز است که توسط گونه‌های مختلف انگل لیشمانی...
متن کاملارائه یک شبکه عصبی مصنوعی جهت پیش بینی ریسک سیستماتیک با استفاده از متغیرهای کلان اقتصادی ( مطالعه موردی : شرکت سایپا )
متن کامل
پیش بینی بیماری قلبی با استفاده از تکنیک داده کاوی شبکه عصبی
مقدمه داده کاوی به بررسی و تجزیه و تحلیل مقادیر عظیمی از داده ها به منظور کشف الگوها و قوانین معنی دار اطلاق میشود که عمدتا" از طریق ساختن مدل ها و الگوریتم ها، ورودی ها را با هدف خاصی مرتبط می نماید. گاهی تکنیک های داده کاوی منجر به شناسایی الگوریتم های معنادار می شوند که می توانند با استفاده از داده های موجود و در دسترس و با هزینه کم، زمینه های ابتلا، پیشگیری و درمان بیماری ها را در پزشکی فرا...
متن کاملارزیابی روشهای پیش بینی قمیت سهام و ارائه مدلی غیرخطی بر اساس شبکه های عصبی
در این مقاله با استفاده از اطلاعات سری زمانی قیمت و بازده سهام چند شرکت در بازار بورس تهران، به پیش بینی قیمت سهام و نیز ارائه مدل بهینه پرداخته می شود. روشهای پیش بینی مورد استفاده در تحقیق، به سه دسته تقسیم شده اند: روشهای پیش بینی براساس مدلهای خطی (کوتاه مدت و بلندمدت)، روشهای پیش بینی براساس مدلهای غیرخطی (شبکه های عصبی غیرخطی) و مدل شبکه عصبی با ساختار پیشنهادی، در هر مورد نتایج به دست آم...
متن کاملارائه مدلی جهت پیش بینی بحران مالی در شرکتهای ایرانی
با توجه به اینکه نه تنها مدیران به دلیل تصمیم گیری در ارتباط با اتخاذ شیوه های مختلف مدیریت علاقه مند میباشند که بتوانند تا حدودی بروز یا عدم بروز بحران مالی را در سازمان تحت مدیریت خود پیش بینی نمایند، بلکه سرمایه گذاران، ارگانهای مختلف دولتی ار قبیل اداره مالیات، بیمه و ... نیز مایل هستند تا بدانند وضعیت مالی شرکت در آینده چه روندی را خواهد داشت. لذا در این تحقیق سعی شده است که با استفاده از ...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 20 شماره 67
صفحات 24- 35
تاریخ انتشار 2017-04
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی برای این مقاله ارائه نشده است
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023