Journal of Rafsanjan University of Medical Sciences

fa استفاده از ماشین بردار پشتیبان در تشخیص محدودیت عملکردی بیماران دیابتی شمال‌غرب ایران در سال 1396: یک مطالعه توصیفی Application of Support Vector Machine for Detection of Functional Limitations in the Diabetic Patients of the Northwest of IRAN in 2017: A Descriptive Study آمار و اپيدميولوژي Statistics& Epidemiology كاربردي Applicable 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   Background and Objectives: Support vector machine (SVM) is a robust and effective statistical method for the diagnosis and prediction of clinical outcomes based on combinations of predictor variables. The aim of this study was to use SVM to detect the functional limitations in the diabetic patients and evaluate the accuracy of this diagnosis. Materials and Methods: This descriptive study was conducted on 378 diabetic patients referred to the diabetic centers of Ardabil and Tabriz in 2014-2015. To classify the diabetic patients in terms of functional limitation, based on the demographic and clinical variables, SVM was used with RBF (radial basis function) kernel and the training and test validation method. Evaluation was performed based on diagnostic indices including sensitivity, specificity, accuracy and area under the ROC (receiver operating characteristic) curve. Results: The results of SVM method showed that the classification accuracy, sensitivity, specificity of the SVM method in differentiating and correct diagnosis of functional limitations in the diabetic patients were 99%, 100% and 97%, respectively. The area under the ROC curve as the detection performance analysis of this model was 0.98. Conclusion: In this study, SVM was used to classify the functional limitation status of the diabetic patients, and the results showed that the model had an acceptable performance. Considering the importance of classifying the medical outcomes correctly based on the combinations of predictor variables, the use of the methods such as SVM that are able to find optimal combinations could be helpful. Key words: Data mining, SVM, Functional limitation, Classification, Kernel function.   Funding: This research was funded by Evidence-Based Medicine Center, Tabriz University of Medical Sciences. Conflict of interest: None declared. Ethical approval: The Ethics Committee of Tabriz University of Medical Sciences approved the study. (TBZMED.REC.1395.794).   How to cite this article: Faraji Gavgani L, Sarbakhsh P, Asghari Jafarabadi M, Shamshirgaran M. Application of Support Vector Machine for Detection of Functional Limitations in the Diabetic Patients of the Northwest of IRAN in 2015: A Descriptive Study. J Rafsanjan Univ Med Sci 2020; 18 (12): 1270-1286. [Farsi]   داده کاوی, ماشین بردار پشتیبان, محدودیت عملکردی, طبقه‌بندی, تابع هسته Data mining, SVM, Functional limitation, Classification, Kernel function. 1270 1286 http://journal.rums.ac.ir/browse.php?a_code=A-10-4026-2&slc_lang=fa&sid=1 L. Faraji Gavgani لیلی فرجی گاوگانی Email: faraji_lili@yahoo.com 6900319475328460036992 6900319475328460036992 No دانشگاه علوم پزشکی تبریز P. Sarbakhsh پروین سربخش p.sarbakhsh@gmail.com 6900319475328460036993 0002-4213-5152 Yes دانشگاه علوم پزشکی تبریز M. AAsghari Jafarabadisghari Jafarabadi محمد اصغری جعفرآبادی m.asghari862@gmail.com 6900319475328460036994 6900319475328460036994 No دانشگاه علوم پزشکی تبریز M. Shamshirgaran سیدمرتضی شمشیرگران m.shamshirgaran@hotmail.com 6900319475328460036995 6900319475328460036995 No دانشگاه علوم پزشکی تبریز