جلد 18، شماره 12 - ( 12-1398 )
جلد 18 شماره 12 صفحات 1286-1270 |
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:
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
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) :1286-1270
دانشگاه علوم پزشکی تبریز
چکیده: (1922 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
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
نوع مطالعه: كاربردي |
موضوع مقاله:
آمار و اپيدميولوژي
دریافت: 1397/10/5 | پذیرش: 1398/9/27 | انتشار: 1399/1/1
دریافت: 1397/10/5 | پذیرش: 1398/9/27 | انتشار: 1399/1/1
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
