سندرم متابولیک مجموعه ای از اختلالات متابولیکی شامل چاقی، هیپرتری گلیسریدمی، عدم تحمل گلوگز، فشار خون بالا و اختلالات لیپیدها است که این مجموعه احتمال ابتلا به بیماری‏های قلبی و دیابت نوع 2 را چند برابر می‏کند. با توجه به افزایش شیوع این اختلال، انجام پژوهش هایی در جهت پیشگیری از ابتلا به این اختلال ضروری می باشد. اخیرا سیستم های مراقبت بهداشت مبتنی بر هوش‏مصنوعی به دلیل موفقیت‏هایی که در زمینه تشخیص، پیش‏بینی و انتخاب روش درمان داشته‏اند بسیار مورد توجه قرار گرفته‏اند. تا به حال جهت پیش بینی اختلال سندرم متابولیک از روش های شبکه بیزین و شبکه عصبی استفاده شده است. مدل پیشنهادی در این پایان نامه استفاده از سه روش درخت تصمیم، شبکه بیزین و ماشین‏‏‏بردار‏پشتیبان جهت پیش‏بینی سندرم‏متابولیک می باشد. همچنین جهت افزایش دقت این سه روش از روش های پیش پردازش داده از جمله متعادل سازی داده و گسسته سازی استفاده شده است. بر اساس معیارهای حساسیت(sensitivity) ، ویژگی (specificity) و دقت (accuracy) سه روش درخت تصمیم، شبکه بیزین و ماشین‏‏‏بردار‏پشتیبان مورد بررسی قرار گرفته اند. ارزیابی ها نشان می دهد در مدل پیشنهادی میزان دقت حاصل از سه روش درخت تصمیم، شبکه بیزین و ماشین‏‏‏بردار‏پشتیبان به ترتیب عبارت است از: 739/0، 8112/0 و 8264/0. بنابراین ماشین بردار پشتیبان با هسته rbf نسبت به دو روش دیگر از نظر معیار دقت کارایی بالاتری جهت پیش بینی وقوع این اختلال در افراد سالم برخوردار می باشد. اما در مواردی که هدف تشخیص خصیصه های مهم جهت ابتلا به این اختلال باشد می توان از درخت تصمیم نیز استفاده نمود. بر اساس نتایج حاصل از درخت تصمیم، تری گلیسیرید و شاخص توده بدنی از مهمترین عوامل ابتلا به این اختلال می باشند.