20628

۲۰۶۲۸

طراحي مدل تشخيص بيماري ديابت با استفاده از الگوريتم‌هاي داده‌كاوي و توصيه‌هاي پزشكي بر اساس طب مدرن و اسلامي

كارشناسي ارشد

مديريت فناوري اطلاعات

۱۳۹۳

۱۳۹۶/۱۲/۲۱

دكتر فتحيان

مهندسي پيشرفت

چكيده امروزه با توجه به گسترش روزافزون اطلاعاتي كه بشر با آن‌ها سروكار دارد بهره¬گيري از روش‌هايي همچون داده¬كاوي براي استخراج اطلاعات نهفته در داده¬ها، امري ضروري مي‌باشد. داده‌كاوي علمي است كه در آن با استفاده از جمع‌آوري و پيش‌پردازش داده‌ها به استخراج دانش قابل تفسير مي‌پردازد. در اين پايان‌نامه محقق با جمع‌آوري داده‌هاي آزمايشات 1224 نفر از مراجعه‌كنندگان به يكي از مراكز بهداشت ساري و بررسي آن‌ها با استفاده از الگوريتم‌هاي داده‌كاوي به كشف الگوهاي پنهان در داده هاي بيماري ديابت پرداخته است. يكي از مهم‌ترين كارها در زمينه داده‌كاوي در سلامت ذخيره سازي و مكانيزه كردن داده ها مي‌باشد. در اين تحقيق آزمايش‌هايي مرتبط با بيماري ديابت به‌صورت دستي جمع‌آوري‌شده است. اين عامل‌ها (شامل قد،وزن،شاخص توده بدن،فشارخون ،و ...) مي¬باشند. سپس با استفاده از اطلاعات مربوط به بيماران ديابتي داده‌هاي مربوطه در گام نخست نرمال‌سازي شده¬است و در مرحله بعد داده‌هاي ازدست‌رفته با استفاده از متدولوژي كريسپ پيش‌پردازش و داده‌هاي ناقص شناسايي و ترميم يا حذف ‌شده اند در گام سوم با استفاده از انواع روش‌هاي داده‌كاوي ميزان تأثير ويژگي و عوامل را در مورد بيماري ديابت موردبررسي قرار داده و ميزان عوامل تأثيرگذار بر بيماري ديابت شناسايي‌شده است. سرانجام با استفاده از برخي الگوريتم هاي داده كاوي شامل درخت تصميم،شبكه عصبي و ... به‌پيش بيني بيماري ديابت پرداخته است. در اين پژوهش عامل‌هاي مهمي كه بيشترين تأثير را بر بيماري ديابت مي‌گذارند شامل سن، قد و وزن مشخص شده است و بهترين الگوريتم براي تشخيص بيماري ديابت درخت تصميم بدست آمده است. واژه‌هاي كليدي: ديابت، داده‌كاوي، شبكه عصبي، درخت تصميم

1398/03/22

Designing Diabetic Diagnosis Model Using Data Mining Algorithms and Medical Recommendations Based on Modern and Islamic Medicine

3/12/2018 12:00:00 AM

Abstract Nowadays, given the increasing spread of information that human beings are dealing with, it is necessary to use methods such as data mining to extract information contained in the data. Data mining is a kind of knowledge in which it can be interpreted by extraction of knowledge through the collection and preprocessing of data. In this thesis, the researcher collected data from 1224 people who referred to one of the Sari health centers and analyzed them using data mining algorithms to discover hidden patterns in diabetes data. One of the most important functions in data mining is health storage and mechanization of data. In this research, tests related to diabetes have been collected manually. These factors include height, weight, body mass index, and blood pressure and etc. Then, using information about diabetic patients, the data were normalized in the first step and in the next step, the missing data were identified using the Crisp preprocessing methodology and the incomplete data were recovered or deleted. In step 3, using a variety of data mining methods the effect of specificity factors on diabetes has been studied and the number of factors influencing diabetes has been identified. Finally, using some data mining algorithms (including decision tree, neural network, etc.), predicted the condition of diabetes. In this research, important factors affecting diabetes have been identified, including age, height, and weight، and the tree algorithm is the best algorithm to predict the diabetes disease Keywords: Diabetes, Data mining, Neural network, Decision tree