مقدمه: دیابت چهارمین عامل مرگ و میر در دنیا است. و از آنجایی که بسیاری از مردم جهان به این بیماری مبتلا و یا در معرض خطر آن هستند، می توان دیابت را بیماری قرن نامید. دیابت تاثیرات مخربی بر سلامتی افراد جامعه دارد و در صورت تشخیص دیر هنگام، می تواند صدمات جبران ناپذیری به بینایی، کلیه ها، قلب، شریان ها و غیره وارد کند. بنابراین لازم است که روش هایی برای تشخیص این بیماری در مراحل اولیه وجود داشته باشد. در این مقاله، از داده کاوی در تشخیص دیابت استفاده شده است. روش ها: الگوریتم اصلی مورد استفاده در این مقاله، الگوریتم جنگل تصادفی است. برای بررسی کارایی الگوریتم پیشنهادی در تشخیص بیماری دیابت از مجموعه داده هایی استفاده شده است که شامل 768 نمونه (بیمار) و دارای 8 ویژگی بوده است. از آنجایی که الگوریتم جنگل تصادفی یک الگوریتم ترکیبی است و از چندین درخت تصمیم ایجاد شده است، باعث رسیدن به دقت بالایی در تشخیص بیماری دیابت می گردد. یافته ها: با استفاده از این الگوریتم توانستیم میزان دقت تشخیص بیماری دیابت را به 86/99 % افزایش دهیم. نتیجه گیری: برای تشخیص دیابت از الگوریتم های مختلفی استفاده شده است ما سعی کردیم از الگوریتمی استفاده کنیم که نسبت به بقیه الگوریتم ها برای تشخیص این بیماری از میزان دقت بسیار بالایی برخوردار باشد.

زمینه و هدف: یﮑ ﯽ از ﻣ ﺸ ﮑ ﻼ ت اﺳ ﺎ ﺳ ﯽ ﺑ ﯿ ﻤ ﺎ ری دیابت عدم تشخیص به موقع و درمان ﺻ ﺤ ﯿ ﺢ آن است. مطالعه حاضر با هدف تشخیص بیماری دیابت با استفاده از روش مبتنی برداده کاوی انجام شده است. روش ها: این مطالعه از نوع تحلیلی بوده و پایگاه داده آن مشتمل بر 768 نفر با 8 ویﮋ ﮔ ﯽ می باشد. در این پژوهش از شبکه های عصبی مصنوعی و عصبی-فازی جهت تشخیص بیماری دیابت و انجام محساسبات استفاده شد. تحلیل آماری با استفاده از نرم افزار SPSS 23 و برنامه نویسی در محیط نرم افزار MATLAB 2018انجام شده است. به منظور حصول دقت واقعی از روش Kfold جهت تفکیک نمونه ها به دو دسته آموزش (Train) و آزمون (Test) استفاده گردید. نتایج: خطای محاسبه شده بر اساس میانگین مربعات خطا (mean square error) در روش شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و شبکه عصبی بردار یاد گیر کوانتیزه (Learning Vector Quantization) و شبکه های عصبی-فازی (Nero fuzzy) به ترتیب 98/6% و 98/2% و 99/6% بدست آمد. نتیجه گیری: با توجه به نتایج مطالعه، بنظر می رسد استفاده از مدل های مبتنی برداده کاوی می تواند بعنوان یک روش کمکی در تشخیص بیماری دیابت کارآمد باشد. اگرچه روش های مورد مطالعه با دقت قابل قبول توانایی امکان پیش بینی بیماری دیابت را دارند اما نتایج مطالعه نشان می دهد که روش مبتنی بر عصبی فازی دقت بالاتری دارند.

زمینه و هدف: در سال­های اخیر، یادگیری ماشین و الگوریتم­های تکاملی توجه پژوهشگران و متخصصین در حوزه­­های مختلف، به ویژه حوزه سلامت را به جنبه­های کاربردی آنها در پردازش مجموعه داده­های کلان برای ارائه بینش­های مفید به خود جلب کرده­اند. از طرف دیگر، تشخیص سریع و دقیق بیماری دیابت یکی از مهم ترین مسائل در پزشکی است و افزایش نرخ ابتلا به این بیماری برای جوامع جهانی نگرانی های بسیاری را به همراه داشته است. مطالعه حاضر با هدف ایجاد یک مدل تشخیصی مبتنی بر الگوریتم­های تکاملی و یادگیری ماشین جهت تشخیص بیماری دیابت انجام شد. روش کار: این پژوهش یک چارچوب مبتنی بر تشخیص هوشمند بیماری دیابت را ارائه می­دهد. روش پیشنهادی شامل دو مرحله اصلی است: مرحله اول شامل رویکرد طبقه­بندی با استفاده از الگوریتم­های K-نزدیک­ترین همسایه و جنگل تصادفی است. مرحله دوم شامل رویکرد ترکیبی انتخاب ویژگی و طبقه­بندی به منظور بهبود نتایج مرحله اول است که در آن از الگوریتم­های بهینه­ساز گرگ خاکستری، بهینه­ساز نهنگ و بهینه­ساز ازدحام ذرات جهت انتخاب ویژگی استفاده شده است. در این تحقیق از مجموعه داده دیابت هندی پیما استفاده شده است. تجزیه و تحلیل مقایسه­ای بین رویکردهای مختلف از طریق شاخص­های ارزیابی دقت، صحت و فراخوانی و امتیاز F1 انجام شده است. نتایج: پس از مقایسه­ های تطبیقی بین مدل­های پیشنهادی، مدل جنگل تصادفی مبتنی بر بهینه­ساز گرگ خاکستری با صحت پیش­بینی 81/38%  به عنوان مدل نهایی انتخاب و معرفی شد. نتیجه گیری: نتایج حاصل از این پژوهش نشان می­دهد که استفاده از الگوریتم­های تکاملی در کنار مدل­های یادگیری ماشینی، می­تواند کارایی و صحت تشخیص بیماری دیابت و عوارض ناشی از آن را در بیش­تر مواقع افزایش دهد.

در این مطالعه با استفاده از افراد مراجعه کننده به مرکز تحقیقات غدد و متابولیسم ،معیارهای قند ناشتای سازمان بهداشت جهانی و انجمن دیابت آمریکاجهت تشخیص دیابت با نتایج قند دو ساعته آزمون تحمل گلوکز خوراکی به عنوان استاندارد طلایی مقایسه شده است . 1606 نفر از افراد مراجعه کننده به مرکز تحقیقات غدد و متابولیسم دانشگاه علوم پزشکی اصفهان انتخاب   و پس از جلب رضایت و اعلام آمادگی افراد،آزمون تحمل گلوکز خوراکی   برای آنها انجام شد.پس از صرف گلوکز در دقایق 30،60 و 120 نمونه خون وریدی از افراد تهیه می شد.نمونه های خون از لحاظ مقادیر قند بررسی گردیدند.مقادیر حساسیت ، ویژگی ،ارزش اخباری مثبت و ارزش اخباری منفی مقادیر قند ناشتادر برابر استاندارد طلایی یعنی قند دو ساعته برای هر دو معیار ارزیابی گردید. حساسیت قند ناشتای بالای 140 میلی گرم در دسی لیتر جهت تشخیص بیماری دیابت 32 % ،ویژگی 99 % ،ارزش اخباری مثبت 65 % و ارزش اخباری منفی 97 % بود.حساسیت قند ناشتای بالای 126 میلی گرم در دسی لیتر جهت تشخیص بیماری دیابت 44 % ، ویژگی 98 % ، ارزش اخباری مثبت 51 % و ارزش اخباری منفی آن 98 % بوده است . حساسیت معیار ADA  جهت تشخیص IGT 25 % ،ویژگی 9/97 % ، ارزش اخباری مثبت 49 % و ارزش اخباری منفی 94 % بوده است .  بنظرمی رسد که در مقایسه حساسیت معیار WHO در برابر ADA ، معیار ADA روش مناسب تری جهت غربالگری بیماران دیابتی باشد،لیکن عدد 44 % هنوز در حد قابل قبولی برای یک آزمون غربالگری نمی باشد.  

مقدمه: دیابت یکی از مشکلات اساسی سلامت در ایران بوده و حدود 6/4 میلیون نفر از بزرگسالان به این بیماری مبتلا هستند. ضعف در تشخیص این بیماری سبب شده نیمی از این تعداد از بیماری خود اطلاعی نداشته باشند. در سالیان اخیر همزمان با به کارگیری رایانه در تحلیل و ذخیره سازی اطلاعات، حجم و پیچیدگی داده ها به صورت چشمگیری افزایش یافته است. روش ها: در سازمان های سلامت داده ها نقش اساسی در ارزش سازمان ایفا می کنند. از این رو داده کاوی به یکی از پرکاربردترین فرآیندها در حوزه ی سلامت و تشخیص بیماری ها تبدیل شده است. در این پژوهش اطلاعات 768 نفر از مراجعین آزمایشگاهی در تهران با حفظ محرمانگی و برای شناسایی متغیرهای تاثیرگذار در ابتلا به بیماری دیابت از نظرات خبرگان استفاده شده است. یافته ها: یافته ها حاکی از بررسی 5 الگوریتم مورد نظر بر روی داده های ارایه شده است که با پیاده سازی 5 الگوریتم داده کاوی J48، بیز، بگینگ، کوهن و خوشه بندی ساده جهت دسته بندی داده ها، کارایی این الگوریتم ها از نظر سرعت و دقت در محاسبات بررسی گردید. نتیجه گیری: مجموعه داده ها جهت دسته بندی، بانک داده های یک آزمایشگاه است که این مجموعه شامل 768 نمونه با 9 مشخصه است. نهایتا الگوریتم J48 به دلیل سرعت بالا، دقت مورد قبول و عدم وجود حساسیت به داده های اولیه، جهت داده کاوی داده های بیماری دیابت پیشنهاد می شود.

مقدمه: اگرچه توانمندی در زندگی با دیابت بدون همراهی مراقبین بهداشتی امکان پذیر نیست، اما یافته ها حاکی از ناتوانی مراقبین در تسهیل توانمندی افراد مبتلا به دیابت به عنوان یک مسوولیت حرفه ای است. به نظر می رسد شناسایی واکنش افراد در روز تشخیص دیابت، به عنوان نخستین گام مواجهه با بیماری می تواند مراقبین را در ایفای اثربخش تر نقش خود یاری رساند. به این منظور پژوهش کنونی با هدف درک واکنش افراد در روز تشخیص دیابت، صورت گرفت.مواد و روش ها: این مطالعه، پژوهشی کیفی از نوع تحلیل محتوا است که روی 21 مشارکت کننده انجام شد. آزمودنی ها به شیوه نمونه گیری هدفمند انتخاب و داده ها با استفاده از مصاحبه عمیق بدون ساختار و یادداشت در عرصه جمع آوری شد و با روش تحلیل محتوا مورد تجزیه و تحلیل قرار گرفت.یافته ها: یافته ها نشان داد تهدید هویت به عنوان واکنش اولیه افراد به تشخیص دیابت شامل زیر طبقات ترس از متفاوت شدن و احساس از دست دادن کنترل بر جسم و زندگی است که در بستری از شناخت دیابت، حمایت، باورها، ارزش ها و ماهیت بیماری جریان دارد.نتیجه گیری: تشخیص دیابت به عنوان واقعه ای تنش زا هویت افراد را در بستر فرهنگی ـ اجتماعی ایران تهدید می کند. با توجه به نقش مهم مراقبین بهداشتی در اولین روزهای تشخیص، به نظر می رسد توجه به اثرات روحی و روانی تشخیص دیابت بر فرد به واسطه آموزش مهارت های مشاوره می تواند حرکت رو به جلوی افراد را در مسیر توانمندی تقویت نماید.

زمینه و هدف: بیماری دیابت عوارض متعددی دارد، تشخیص دیر هنگام دیابت در افراد منجر به گسترش عوارض بیماری می شود. مطالعه حاضر با هدف بررسی امکان پیش بینی دیابت با استفاده از فنون داده کاوی انجام شد. روش بررسی: این پژوهش از نوع توصیفی-تحلیلی بود که به صورت مقطعی انجام شد. جامعه پژوهش شامل افراد مراجعه کننده به مراکز بهداشتی شهرستان محمدیه در استان قزوین جهت انجام غربالگری دیابت بودند. داده های مورد مطالعه مربوط به فروردین تا خرداد 1394 بود. داده ها در نهایت با استفاده از سه روش نزدیک ترین همسایگی (k-nearest neighbors algorithm, k-NN)، درخت تصمیم گیری (Decision tree, DT) و ماشین های بردار پشتیبان (Support vector machine, SVM) تحلیل و مورد مقایسه قرار گرفتند. جهت تحلیل داده ها از MATLAB® software, version 8. 2 (Mathworks Inc., Natick, MA, USA) استفاده شد. یافته ها: در تمامی معیارها، بهترین نتایج توسط درخت تصمیم گیری با صحت (0/96) به دست آمد. پس از آن روش های نزدیک ترین همسایگی با صحت (0/96) و ماشین های بردار پشتیبان با صحت (0/94) قرار داشتند. نتیجه گیری: براساس نتایج ارایه شده، درخت تصمیم گیری بهترین نتایج را در کلاس بندی نمونه های تست نشان داد. این مدل می تواند به عنوان مدلی مناسب در پیش بینی دیابت با استفاده از داده های ریسک فاکتور توصیه شود.