ارایه روشی جهت تشخیص سندرم متابولیک بر مبنای الگوریتم داده کاوی KNN، مطالعه موردی: بیمارستان شهدای کارگر یزد

سندروم متابولیک به معنای وجود گروهی از عوامل خطر ساز برای بروز بیماری های قلبی- عروقی و دیابت در یک شخص است. وجود علائم و ویژگی های مختلف این بیماری، تشخیص را برای پزشکان دشوار می کند. داده کاوی امکان تحلیل داده های بالینی بیماران برای تصمیم گیری های پزشکی را فراهم می کند. هدف این مقاله، ارائه یک مدل برای افزایش دقت پیش بینی سندرم متابولیک است.
در این مطالعه کاربردی-توصیفی، پرونده پزشکی 1499 بیمار مبتلا به سندرم متابولیک با تعداد 15 ویژگی مورد بررسی قرار گرفت. اطلاعات بیماران از پایگاه داده استاندارد بیمارستان فوق تخصصی شهدای گارگر یزد جمع آوری شد. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بودند. در این مقاله برای پیش بینی و تشخیص سندرم متابولیک، از الگوریتم کلونی زنبور عسل برای بهینه سازی نتایج الگوریتم داده کاوی KNN استفاده شد و یک مدل جدید ارائه گردید.
بر اساس تابع هدف برای پیش بینی عارضه افزایش چربی خون از روش پیشنهادی، الگوریتم های گرگ خاکستری، ازدحام ذرات و ژنتیک برای بهبود عملکرد الگوریتم KNN استفاده شد. تحلیل های صورت گرفته نشان می دهد که مدل پیشنهادی با دقت پیش بینی 0/921 از روش های فازی، ماشین بردار پشتیبان، درخت تصمیم و شبکه عصبی دقت بیشتر ی دارد.
جستجو در پایگاه داده های پزشکی برای رسیدن به دانش و اطلاعات جهت پیش بینی، تشخیص و تصمیم گیری از کاربردهای داده کاوی در پزشکی است. می توان از الگوریتم های وراثتی برای بهینه سازی تکنیک های داده کاوی استفاده کرد. پیش بینی و تشخیص صحیح سندرم متابولیک با استفاده از هوش مصنوعی و یادگیری ماشین، شانس درمان موفق را بالا می برد.