دوره 11، شماره 3 - ( 7-1401 )
جلد 11 شماره 3 صفحات 164-158 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Karami A, Askarishahi M, Namiranian N. Comparison of Different Decision Tree Algorithms for Classification of Retinopathy Patients in
Yazd City, Central Part of Iran. JCHR 2022; 11 (3) :158-164
URL: http://jhr.ssu.ac.ir/article-1-908-fa.html
URL: http://jhr.ssu.ac.ir/article-1-908-fa.html
کرمی امین، عسکری شاهی محسن، نمیرانیان نسیم. مقایسه الگوریتم های مختلف درخت تصمیم برای طبقه بندی ابتلا به رتینوپاتی در یزد، ایران. مجله تحقیقات سلامت. 1401; 11 (3) :158-164
امین کرمی* 
1، محسن عسکری شاهی2 ، نسیم نمیرانیان2
1، محسن عسکری شاهی2 ، نسیم نمیرانیان2
1- گروه آمار و اپیدمیولوژی، دانشکده بهداشت، دانشگاه شهید صدوقی، یزد، ایران ، amn.krm.rbt@gmail.com
2- دکترا دانشگاه شهید صدوقی یزد
2- دکترا دانشگاه شهید صدوقی یزد
چکیده: (1141 مشاهده)
چکیده:
اهداف: دیابت یکی از شایع ترین بیماری های ناشی از اختلالات متابولیک ناشی از اختلال در ترشح یا عملکرد انسولین است. شیوع دیابت به سرعت در حال افزایش است.
هدف از این مطالعه بررسی عملکرد الگوریتم های مختلف درخت تصمیم در تشخیص رتینوپاتی دیابتی با استفاده از دادههای بیماران دیابتی مراجعه کننده به مرکز تحقیقات دیابت یزد از سال 1390 بود.
در مجموع 2613 بیمار مراجعه کننده به مرکز تحقیقات و درمان شهر یزد در مرحله اول اطلاعات دموگرافیک دریافت و سپس توسط تیم پرستاری مورد آزمایش قرار گرفتند و فرم اطلاعات بیمار توسط پرستار مربوطه تکمیل شد.
روش: این مطالعه از نوع تحلیلی و مقطعی بود. برای پردازش و مدل‌سازی داده‌ها از نرم‌افزار SPSS MODELER V 18.0 استفاده شد و شاخص‌های توصیفی میانگین، حالت، میانه، واریانس، درصد فراوانی، درصد دادههای از دست رفته مشاهده شد و چهار مدل تشخیصی CHAID، درخت طبقه‌بندی و رگرسیون (C&R) ، QUEST و C5.0 مشاهده و مقایسه شدند. عملکرد این چهار مدل با استفاده از سه معیار آماری دقت(accuracy)، حساسیت(sensitivity) و ویژگی(specificity) ارزیابی شد. برای مقایسه دقیق تر مدل ها از نمودار Gains chart استفاده شد.
یافته ها: در این مطالعه از بین کل متغیرهای دموگرافیک و بالینی، متغیرهایی مانند BMI، مدت بیماری، نوع داروی مصرفی، سن، فشار خون بالا، جنسیت، کلسترول، هموگلوبین A1c در مدل نهایی به عنوان متغیرهای وابسته با متغیرمستقل رتینوپاتی بررسی شد و بر اساس معیارهای به دست آمده در مدل CART دقت (71/75)، حساسیت (75/60)، ویژگی (57/14) و در مدل QUEST دقت (84/65)، حساسیت (65/86)، ویژگی (65/76) و در مدل CHAID دقت (69/33). حساسیت (67/35)، ویژگی (76/81) و همچنین در مدل CHAID دقت (73/27)، حساسیت (79/65)، ویژگی (49/05) را نشان داد.
نتیجه‌گیری: الگوریتم CHAID بر اساس معیارهای دقت، حساسیت، ویژگی و همچنین مقایسه نمودار GAINS برای چهار الگوریتم عملکرد بهتری را نشان داد.
اهداف: دیابت یکی از شایع ترین بیماری های ناشی از اختلالات متابولیک ناشی از اختلال در ترشح یا عملکرد انسولین است. شیوع دیابت به سرعت در حال افزایش است.
هدف از این مطالعه بررسی عملکرد الگوریتم های مختلف درخت تصمیم در تشخیص رتینوپاتی دیابتی با استفاده از دادههای بیماران دیابتی مراجعه کننده به مرکز تحقیقات دیابت یزد از سال 1390 بود.
در مجموع 2613 بیمار مراجعه کننده به مرکز تحقیقات و درمان شهر یزد در مرحله اول اطلاعات دموگرافیک دریافت و سپس توسط تیم پرستاری مورد آزمایش قرار گرفتند و فرم اطلاعات بیمار توسط پرستار مربوطه تکمیل شد.
روش: این مطالعه از نوع تحلیلی و مقطعی بود. برای پردازش و مدل‌سازی داده‌ها از نرم‌افزار SPSS MODELER V 18.0 استفاده شد و شاخص‌های توصیفی میانگین، حالت، میانه، واریانس، درصد فراوانی، درصد دادههای از دست رفته مشاهده شد و چهار مدل تشخیصی CHAID، درخت طبقه‌بندی و رگرسیون (C&R) ، QUEST و C5.0 مشاهده و مقایسه شدند. عملکرد این چهار مدل با استفاده از سه معیار آماری دقت(accuracy)، حساسیت(sensitivity) و ویژگی(specificity) ارزیابی شد. برای مقایسه دقیق تر مدل ها از نمودار Gains chart استفاده شد.
یافته ها: در این مطالعه از بین کل متغیرهای دموگرافیک و بالینی، متغیرهایی مانند BMI، مدت بیماری، نوع داروی مصرفی، سن، فشار خون بالا، جنسیت، کلسترول، هموگلوبین A1c در مدل نهایی به عنوان متغیرهای وابسته با متغیرمستقل رتینوپاتی بررسی شد و بر اساس معیارهای به دست آمده در مدل CART دقت (71/75)، حساسیت (75/60)، ویژگی (57/14) و در مدل QUEST دقت (84/65)، حساسیت (65/86)، ویژگی (65/76) و در مدل CHAID دقت (69/33). حساسیت (67/35)، ویژگی (76/81) و همچنین در مدل CHAID دقت (73/27)، حساسیت (79/65)، ویژگی (49/05) را نشان داد.
نتیجه‌گیری: الگوریتم CHAID بر اساس معیارهای دقت، حساسیت، ویژگی و همچنین مقایسه نمودار GAINS برای چهار الگوریتم عملکرد بهتری را نشان داد.
فهرست منابع
1. Elsalamony HA, Elsayad AM. Bank direct marketing based on neural network and C5. 0 Models. Int J Eng Adv Technol IJEAT. 2013;2(6).
2. Nisbet R, Elder J, Miner G. Handbook of statistical analysis and data mining applications: Academic Press; 2009.
3. Floares A, Birlutiu A, editors. Decision tree models for developing molecular classifiers for cancer diagnosis. The 2012 International Joint Conference on Neural Networks (IJCNN); 2012: IEEE. [DOI:10.1109/IJCNN.2012.6252781]
4. Kass GV. An exploratory technique for investigating large quantities of categorical data. Journal of the Royal Statistical Society: Series C (Applied Statistics). 1980;29(2):119-27. [DOI:10.2307/2986296]
5. Hornik K, Stinchcombe M, White H. Universal approximation of an unknown mapping and its derivatives using multilayer feedforward networks. Neural networks. 1990;3(5):551-60. [DOI:10.1016/0893-6080(90)90005-6]
6. Breiman L. Fried man JH, Olshen RA, Stone CJ. Classification and regression trees Belmont, California: Wadsworth International Group. 1984.
7. Lin C-L, Fan C-L. Evaluation of CART, CHAID, and QUEST algorithms: a case study of construction defects in Taiwan. Journal of Asian Architecture and Building Engineering. 2019;18(6):539-53. [DOI:10.1080/13467581.2019.1696203]
8. Elsayad AM, Elsalamony H. Diagnosis of breast cancer using decision tree models and SVM. International Journal of Computer Applications. 2013;83(5). [DOI:10.5120/14445-2604]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution 4.0 International License قابل بازنشر است. |
