جلد 18، شماره 12 - ( 12-1398 )                   جلد 18 شماره 12 صفحات 1270-1286 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Faraji Gavgani L, Sarbakhsh P, AAsghari Jafarabadisghari Jafarabadi M, Shamshirgaran M. Application of Support Vector Machine for Detection of Functional Limitations in the Diabetic Patients of the Northwest of IRAN in 2017: A Descriptive Study. JRUMS. 2020; 18 (12) :1270-1286
URL: http://journal.rums.ac.ir/article-1-4563-fa.html
فرجی گاوگانی لیلی، سربخش پروین، اصغری جعفرآبادی محمد، شمشیرگران سیدمرتضی. استفاده از ماشین بردار پشتیبان در تشخیص محدودیت عملکردی بیماران دیابتی شمال‌غرب ایران در سال 1396: یک مطالعه توصیفی. مجله دانشگاه علوم پزشکی رفسنجان. 1398; 18 (12) :1270-1286

URL: http://journal.rums.ac.ir/article-1-4563-fa.html


دانشگاه علوم پزشکی تبریز
چکیده:   (215 مشاهده)
چکیده
زمینه و هدف: ماشین بردار پشتیبان (Support vector machine; SVM) به­عنوان یک روش آماری قوی و کارآمد در تشخیص و پیش­بینی پیامدهای بالینی بر اساس ترکیباتی از متغیرهای پیش­بین کاربرد دارد. هدف این پژوهش، استفاده از SVM برای تشخیص محدودیت عملکردی بیماران دیابتی و بررسی میزان صحت این تشخیص می­باشد.
مواد و روش­ها: این پژوهش توصیفی بر روی 378 بیمار دیابتی مراجعه کننده به مراکز دیابتی اردبیل و تبریز در سال 94-1393 انجام شد. جهت طبقه­بندی بیماران دیابتی از لحاظ وضعیت محدودیت عملکردی بر مبنای متغیرهای دموگرافیک و بالینی از SVM با تابع هسته RBF) Radial basis function;) و روش اعتبارسنجی آموزش و آزمون استفاده شد. ارزیابی بر اساس شاخص­‌های تشخیصی شامل حساسیت، ویژگی، صحت و سطح زیر منحنی Receiver operating characteristic; ROC)) انجام شد.
یافته­ها: نتایج حاصل از مدل SVM نشان داد که صحت طبقه­بندی، حساسیت و ویژگی مدل SVM در افتراق و تشخیص صحیح وجود محدودیت عملکردی در بیماران دیابتی به ترتیب برابر 99%، 100% و 97% بود. سطح زیر منحنی ROC برای قدرت تشخیصی این مدل 98/0 بود.
نتیجه­گیری: در این مطالعه SVM برای طبقه­بندی وضعیت محدودیت عملکردی بیماران دیابتی استفاده شد که نتایج نشان­گر صحت و دقت مناسب مدل بود. با توجه به اهمیت طبقه­بندی صحیح پیامدهای پزشکی بر اساس ترکیباتی از متغیرهای پیش­بین، استفاده از روش­هایی مانند SVM که قادر به یافتن چنین ترکیبات بهینه­ای هستند، می­تواند مفید باشد.
واژه­های کلیدی: داده کاوی، ماشین بردار پشتیبان، محدودیت عملکردی، طبقه­بندی، تابع هسته
 
متن کامل [PDF 574 kb]   (52 دریافت) |   |   متن کامل (HTML)  (54 مشاهده)  
نوع مطالعه: كاربردي | موضوع مقاله: آمار و اپيدميولوژي
دریافت: ۱۳۹۷/۱۰/۵ | پذیرش: ۱۳۹۸/۹/۲۷

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله علمی دانشگاه علوم پزشکی رفسنجان می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2020 All Rights Reserved | Journal of Rafsanjan University of Medical Sciences

Designed & Developed by : Yektaweb