مقایسه الگوریتم های مختلف درخت تصمیم برای طبقه بندی ابتلا به رتینوپاتی در یزد، ایران

دیابت یکی از شایع ترین بیماری های ناشی از اختلالات متابولیک ناشی از اختلال در ترشح یا عملکرد انسولین است. شیوع دیابت به سرعت در حال افزایش است.هدف از این مطالعه بررسی عملکرد الگوریتم های  مختلف  درخت تصمیم در تشخیص رتینوپاتی دیابتی با استفاده از داده های بیماران دیابتی مراجعه کننده به مرکز تحقیقات دیابت یزد از سال 1390 بود.در مجموع 2613 بیمار مراجعه کننده به مرکز تحقیقات و درمان شهر یزد در مرحله اول اطلاعات دموگرافیک دریافت و سپس توسط تیم پرستاری مورد آزمایش قرار گرفتند و فرم اطلاعات بیمار توسط پرستار مربوطه تکمیل شد.

این مطالعه از نوع تحلیلی و مقطعی بود. برای پردازش و مدل سازی داده ها از نرم افزار SPSS MODELER V 18.0 استفاده شد و شاخص های توصیفی میانگین، حالت، میانه، واریانس، درصد فراوانی، درصد داده های از دست رفته مشاهده شد و چهار مدل تشخیصی CHAID، درخت طبقه بندی و رگرسیون (C&R) ، QUEST و C5.0 مشاهده و مقایسه شدند. عملکرد این چهار مدل با استفاده از سه معیار آماری دقت (accuracy)، حساسیت (sensitivity) و ویژگی (specificity) ارزیابی شد. برای مقایسه دقیق تر مدل ها از نمودار Gains chart استفاده شد.

در این مطالعه از بین کل متغیرهای دموگرافیک و بالینی، متغیرهایی مانند BMI، مدت بیماری، نوع داروی مصرفی، سن، فشار خون بالا، جنسیت، کلسترول، هموگلوبین A1c در مدل نهایی به عنوان متغیرهای وابسته با متغیرمستقل رتینوپاتی بررسی شد و بر اساس معیارهای به دست آمده در مدل CART دقت (71/75)، حساسیت (75/60)، ویژگی (57/14) و در مدل QUEST دقت (84/65)، حساسیت (65/86)، ویژگی (65/76) و در مدل CHAID دقت (69/33). حساسیت (67/35)، ویژگی (76/81) و همچنین در مدل CHAID  دقت (73/27)، حساسیت (79/65)، ویژگی (49/05) را نشان داد.

نتیجه گیری: 

الگوریتم CHAID بر اساس معیارهای دقت، حساسیت، ویژگی و همچنین مقایسه نمودار GAINS برای چهار الگوریتم عملکرد بهتری را نشان داد.