RT - Journal Article T1 - Application of Support Vector Machine for Detection of Functional Limitations in the Diabetic Patients of the Northwest of IRAN in 2017: A Descriptive Study JF - RUMS_JOURNAL YR - 2020 JO - RUMS_JOURNAL VO - 18 IS - 12 UR - http://journal.rums.ac.ir/article-1-4563-fa.html SP - 1270 EP - 1286 K1 - Data mining K1 - SVM K1 - Functional limitation K1 - Classification K1 - Kernel function. AB - 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 LA eng UL http://journal.rums.ac.ir/article-1-4563-fa.html M3 ER -