fa پیش‌بینی ابتلا به دیابت با استفاده از شبکه عصبی مصنوعی آمار زیستی Biostatistics پژوهشي Research <p class="MsoNormal" dir="rtl" style="margin-bottom: 0.0001pt line-height: normal direction: rtl unicode-bidi: embed"><b><span lang="AR-SA" style="font-size: 10pt font-family: 'B Mitra'">زمینه و هدف</span></b><span lang="AR-SA" style="font-size: 10pt font-family: 'B Mitra'">: </span><span lang="FA" style="font-size: 10pt font-family: 'B Mitra'">بیماری دیابت با گسترش روزافزون و بار سنگینی که در نتیجه کنترل و درمان عوارض به مردم و کشور تحمیل می‌کند به یکی از چالش‌های مسئولین درمانی و دولتی تبدیل شده است. از این‌رو پیشگیری از بروز و پیشرفت آن در اولویت قرار می‌گیرد که این امر تنها با شناسایی عوامل مؤثر و کنترل آن‌ها امکان‌پذیر است. این مطالعه درصدد پیش‌بینی ابتلا به دیابت بر اساس برخی متغیرهای مؤثر با کمک روش شبکه‌های عصبی مصنوعی است.<!--stripped--><!--stripped--></span></p> <p class="MsoNormal" dir="rtl" style="margin-bottom: 0.0001pt line-height: normal direction: rtl unicode-bidi: embed"><b><span lang="FA" style="font-size: 10pt font-family: 'B Mitra'">روش کار: </span></b><span lang="FA" style="font-size: 10pt font-family: 'B Mitra'">این مطالعه که در سال 93 و با کمک نرم‌افزارهای </span><span dir="ltr" style="font-size: 9pt font-family: 'Times New Roman', serif">R2.14.0</span><span lang="FA" style="font-size: 10pt font-family: 'B Mitra'"> و </span><span dir="ltr" style="font-size: 9pt font-family: 'Times New Roman', serif">SPSS21</span><span lang="FA" style="font-size: 10pt font-family: 'B Mitra'"> انجام گرفت، بر ‌روی نمونه‌ای شامل 13423 نفر از شرکت‌کنندگان در طرح بررسی عوامل خطر بیماری‌های غیرواگیر در سال 86 انجام شده است. سن افراد</span><span dir="ltr" lang="FA" style="font-size: 9pt font-family: 'Times New Roman', serif"> </span><span lang="FA" style="font-size: 10pt font-family: 'B Mitra'">بالای 25 سال بوده و هیچ‌کدام دیابت کنترل شده نداشته‌اند. برای بررسی این داده‌ها از مدل شبکه عصبی مصنوعی سه لایه استفاده شد و برای انتخاب بهترین مدل از سطح زیر منحنی راک (</span><span dir="ltr" style="font-size: 9pt font-family: 'Times New Roman', serif">AURC</span><span lang="FA" style="font-size: 10pt font-family: 'B Mitra'">) و صحت پیش‌بینی استفاده شده است. هر دو تابع فعالیت در این مدل سیگموئید بوده است.<!--stripped--><!--stripped--></span></p> <p class="MsoNormal" dir="rtl" style="margin-bottom: 0.0001pt line-height: normal direction: rtl unicode-bidi: embed"><b><span lang="FA" style="font-size: 10pt font-family: 'B Mitra'">یافته‌ها: </span></b><span lang="FA" style="font-size: 10pt font-family: 'B Mitra'">مدل شبکه عصبی مصنوعی سه لایه با معماری (53:20:2) با سطح زیر منحنی راک 7/72 درصد و صحت پیش‌بینی آموزش 92 درصد و صحت پیش‌بینی آزمون 6/91 درصد بهترین مدل شناخته شد.<!--stripped--><!--stripped--></span></p> <p class="MsoNormal" dir="rtl" style="margin-bottom: 0.0001pt line-height: normal direction: rtl unicode-bidi: embed"><b><span lang="FA" style="font-size: 10pt font-family: 'B Mitra'">نتیجه‌گیری: </span></b><span lang="FA" style="font-size: 10pt font-family: 'B Mitra'">با توجه به عدم نیاز مدل شبکه عصبی مصنوعی به پیش‌فرض‌های معمول روش‌های کلاسیک آماری و صحت پیش‌بینی بالای مدل شبکه عصبی مصنوعی (53:20:2) پیشنهاد می‌شود از این مدل برای پیش‌بینی ابتلا به بیماری دیابت استفاده شود.</span><span dir="ltr" style="font-size: 9pt font-family: 'Times New Roman', serif"><!--stripped--><!--stripped--></span></p> <p dir="ltr"><strong>Background</strong>: Diabetes ever-increasing prevalence and the heavy burdens of controlling and treatment of the disease on people and the country have turned to be greatest challenges for governmental and healthcare authorities. Therefore, the disease prevention takes top priority and to do so the only possible way is detecting the effective parameters and controlling them. This study is about to foresee diabetes rates on the basis of some effective factors and using the artificial neural network. </p> <p dir="ltr"><strong>Methods</strong>: This study is conducted in 2014 by using R and SPSS software on 13423 participants of the study evaluation of risk factors of non-communicable diseases which was run in 2007. All the participants were older than 25 and with uncontrolled diabetes. A three-layer artificial neural network was used to evaluate the data, and to choose the best model the area under the ROC curve (AURC) and the prediction accuracy were applied. In this model both applied activation functions were Sigmoid.</p> <p dir="ltr"><strong>Results</strong>: The three-layer artificial neural network with the architecture of (53:20:2) was identified as the best  model as the area under the ROC curve (AURC), the training prediction accuracy, and the test prediction accuracy were 72.7%, 92%, and 91.6% efficient, respectively.</p> <p dir="ltr"><strong>Conclusion</strong>: Since in artificial neural network there is no need for common assumption of classic statistical methods and its high prediction accuracy (53:20:2) it is highly recommended to apply this model in predicting diabetes.and factors affecting it, that requires a separate study and research.</p> شبکه عصبی مصنوعی, دیابت, سطح زیر منحنی راک Artificial neural network, Diabete, Under the ROC curve 29 37 http://rjms.iums.ac.ir/browse.php?a_code=A-10-1-1703&slc_lang=fa&sid=1 فرزانه برفه‌ئی 3900319475328460030177 3900319475328460030177 No مسعود صالحی salehi74@yahoo.com 3900319475328460030178 3900319475328460030178 Yes ایرج نجفی 3900319475328460030179 3900319475328460030179 No