fa پیش‌بینی دیابت بارداری با استفاده از یک الگوریتم هوشمند مبتنی بر شبکه عصبی تخصصي Special پژوهشي Research <strong>هدف</strong> ‌به دلیل وجود حجم عظیمی از داده‌ها در مورد افراد مبتلا به بیماری دیابت، امکان استخراج عوامل پیش‌بینی بیماری دیابت توسط متخصصین با استفاده از استخراج دانش از این حجم عظیم داده، امکان‌پذیر نخواهد بود. علم داده‌کاوی به کمک روش‌های مؤثر خود با هدف کشف پیش‌بینی بیماری‌ها به این مهم دست یافته و سبب کمک به پزشکان و کادر درمان در پیش‌بینی و تشخیص بیماری‌ها شده است.<br> <strong>روش ها </strong>پژوهش حاضر از نوع کاربردی‌پیمایشی در سال ۱۳۹۹ انجام شده است. در این پژوهش، از مجموعه‌ داده میرشریف و همکاران استفاده شده ‌است. در اینجا از روش مجموعه داده‌های اولیه برای جمع‌آوری داده‌ها استفاده شده و جامعه آماری مورد‌نظر شامل ۱۰۵ مورد اطلاعات ثبت‌شده بیماران ‌از سال ۱۳۹۰ تا ۱۳۹۳ در تحقیقی میدانی از کلینیک پزشکی تخصصی زنان در تهران است که از این میان، ۸۰ نفر انسان سالم و ۲۵ نفر انسان مبتلا به بیماری دیابت بارداری بودند. از نرم‌افزار متلب جهت تجزیه‌و‌تحلیل و بررسی نتایج استفاده شده است.<br> <strong>یافته ها ‌</strong>نتایج و مقایسه‌های انجام‌گرفته در این پژوهش، نشان از کارایی بالای روش پیشنهادی در پیش‌بینی بیماران دیابت بارداری دارد. همچنین دقت روش پیشنهادی برابر ۹۳ درصد حاصل شد که در مقایسه با روش‌ میرشریف و همکاران بر روی همین مجموعه داده از دقت بیشتری برخوردار بود.<br> <strong>نتیجه گیری</strong> به دلیل اینکه سیستم پیشنهادی عملکرد مطلوبی داشته و ازلحاظ دقت در مجموعه داده مورد‌نظر نسبت به روش‌های قبلی به عدد ‌93/2 درصد رسیده ‌است. پس می‌توان از رویکرد هوشمند و بدون نظارت، جهت تشخیص بیماری دیابت بارداری استفاده کرد. <strong>Objective</strong> Due to the large amount of data for people with diabetes, it is very difficult to extract the predictors of diabetes. Data mining science can discover the predictors of diseases and help physicians and medical staff in predicting and diagnosing diseases.<br> <strong>Methods </strong>This is an applied survey study conducted in 2020 using the dataset used by Mirsharif et al. The study population includes 105 cases with data registered from 2011 to 2014 in a specialized women&rsquo;s medical center in Tehran, of which 80 were for healthy women and 25 were for women with gestational diabetes. MATLAB software was used to analyze and evaluate the results.<br> <strong>Results</strong> The results and comparisons showed the high efficiency of the proposed method in predicting gestational diabetes. The accuracy of the proposed method was 93%, which was more accurate than the method proposed by Mirsharif et al.&nbsp;<br> <strong>Conclusion</strong> The proposed prediction method has good performance and high accuracy compared to previous methods. Therefore, this intelligent and unsupervised method can be used to predict gestational diabetes.&nbsp; پیش‌بینی دیابت بارداری, الگوریتم هوشمند, شبکه عصبی‌مصنوعی Gestational diabetes, Genetic algorithm, Artificial neural network 126 139 http://jmis.hums.ac.ir/browse.php?a_code=A-10-567-1&slc_lang=fa&sid=1 Mohammadjavad Hosseinpoor محمدجواد حسین پور hosseinpoor.mohammadjavad@gmail.com 100319475328460010150 100319475328460010150 Yes Department of Computer Engineering, Estahban Branch, Islamic Azad University, Estahban, Iran. دانشکده مهندسی کامپیوتر، واحد استهبان، دانشگاه آزاد اسلامی، استهبان، ایران.