AU - Ahouz, Fatemeh AU - Golabpour, Amin AU - Shakibaeenia, Abdolhosseain TI - Proposing a Model for Diagnosing the Type 2 Diabetes Using a Self-Organizing Genetic Algorithm PT - JOURNAL ARTICLE TA - hums-jmis JN - hums-jmis VO - 8 VI - 2 IP - 2 4099 - http://jmis.hums.ac.ir/article-1-330-fa.html 4100 - http://jmis.hums.ac.ir/article-1-330-fa.pdf SO - hums-jmis 2 AB  - هدف ساخت مدل‌های کمک تصمیم‌یار پزشکی جهت استخراج خودکار دانش از داده‌ها به پزشکان در تشخیص زودهنگام بیماری کمک می‌کند. تفسیرپذیری قوانین اسستنتاجی این مدل‌ها جهت درک نحوه تصمیم‌گیری آن‌ها راجع به داده‌ها و افزایش اعتماد به خروجی مدل، یک شاخص ضروری در تعیین کارایی آن‌هاست. روش ها در این پژوهش یک مطالعه گذشته‌نگر است جهت استخراج قوانین تشخیصی دیابت نوع 2. داده‌های این مطالعه، مجموعه داده عمومی پیما شامل 768 رکورد و 9 ویژگی است که در سال 1400 استخراج شد. پس از حذف گمشدگی و داده‌های پرت در مرحله پیش‌پردازش داده‌ها، جهت استخراج قوانین یک مدل ترکیبی پیشنهادی فازی‌ژنتیک با استفاده از نرم‌افزار متلب ارائه شد. جهت حذف پیچیدگی‌ تنظیم عملگرهای الگوریتم ژنتیک و تسهیل اجرای مجدد مدل در کاربردهای دیگر، ساختار کروموزومی خودسازمان‌دهنده‌ای پیشنهاد شده است. یافته ها ارزیابی مدل پیشنهادی روی مجموعه داده پیما به صحت 79/05 درصد دست یافت. این صحت توسط 2 قانون فازی که هرکدام فقط شامل 2 متغیر مستقل است به دست آمده است. همچنین برای تشخیص افراد دارای دیابت و فاقد آن قانون‌های تشخیصی منفرد به ترتیب با صحت 70/83 و 81/48 درصد ارائه شده است. مهم‌ترین عوامل مؤثر بر ابتلا و عدم ابتلا به دیابت در این قوانین تعداد دفعات بارداری، شاخص توده بدنی، فشار خون، سابقه خانوادگی، غلظت گلوکز پلاسما و ضخامت پوست چین سه سر تعیین شدند. نتیجه گیری روش پیشنهادی در تولید مجموعه و همچنین قوانین منفرد تشخیص بیماری یا عدم بیماری با صحت و قابلیت تفسیر بسیار بالا در کاربردهای پزشکی کاملاً مناسب بوده و به دلیل خودسازمانده بودن قابلیت تکرار در سایر کاربردهای دسته‌بندی دو‌کلاسی را دارد. CP - IRAN IN - LG - eng PB - hums-jmis PG - 168 PT - Research YR - 2022