Journal of Community Health Research

en مقایسه الگوریتم های مختلف درخت تصمیم برای طبقه بندی ابتلا به رتینوپاتی در یزد، ایران Comparison of Different Decision Tree Algorithms for Classification of Retinopathy Patients in Yazd City, Central Part of Iran عمومى General پژوهشي Research 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.   Introduction: Diabetes is one of the most common diseases caused by metabolic disorders. It is the result of impaired secretion or function of insulin. The prevalence of diabetes is increasing rapidly. The aim of this study is to investigate the performance of different decision tree algorithms in the diagnosis of diabetic retinopathy. It was done using a database regarding diabetic patients. They were referred to Yazd Diabetes Research Center. Method: This study was analytical   cross-sectional. 2613 patients visited Yazd City's research and treatment center. Their demographic information was received in the first stage. Then, they were tested by the nursing team, and the patient's information form was completed by the respective nurse. After that, the descriptive indicators of mean, mode, median, variance, frequency, and percentage of missing data were observed. Four diagnostic models (Chadi), classification tree and regression (C and R), (Quest) and C 5.0 were compared. Authors evaluated the performance of these four models using three statistical criteria: accuracy, sensitivity, and specificity. Gains chart was used for more accurate comparison of models. SPSS MODELER V 18.0 software was used for data processing and modeling. The significance level was considered 5%. Result: In this study, among the demographic and clinical variables, BMI, duration of disease, type of drug used, age, hypertension, gender, cholesterol, and hemoglobin A1c were entered in the final model. The dependent variable of retinopathy was investigated. It was based on the obtained criteria of accuracy (71.75), sensitivity (75.60), specificity (57.14) in the CART model; accuracy (65.84), sensitivity (65.86), specificity (65.76) of the Quest model; accuracy (69.33), sensitivity (67.35), specificity (76.81) of Chaid model; and accuracy (73.27), sensitivity (79.65), specificity (49.05) of Chaid model. Conclusion: Based on the criteria of accuracy, sensitivity, specificity, and comparison of Gain Chart for four algorithms, Chaid algorithm showed better performance. Therefore, for further research, the authors suggest this algorithm رتینوپاتی, دیابت, درخت تصمیم, یزد, داده کاوی Retinopathy, Diabetes, Decision Tree, Yazd, Data Mining 158 164 http://jhr.ssu.ac.ir/browse.php?a_code=A-10-1990-1&slc_lang=en&sid=1 Amin Karami امین کرمی amn.krm.rbt@gmail.com 0000-0002-2015-0490 Yes Shahid Sadoughi University of Medical Sciences and Health Services گروه آمار و اپیدمیولوژی، دانشکده بهداشت، دانشگاه شهید صدوقی، یزد، ایران mohsen Askarishahi محسن عسکری شاهی m.askari@ssu.ac.ir 0000-0003-2390-9578 No Shahid Sadoughi University of Medical Sciences and Health Services دکترا دانشگاه شهید صدوقی یزد Nasim Namiranian نسیم نمیرانیان namiranian.nasim@gmail.com No Shahid Sadoughi University of Medical Sciences and Health Services دکترا دانشگاه شهید صدوقی یزد