Iranian Journal of Diabetes and Lipid Disorders

fa پیش‌بینی و تعیین هوشمند دُز صحیح انسولین در بیماران دیابتی براساس تشخیص فازی بیماری دیابت PREDICTION AND DETERMINATION OF THE CORRECT DOSE OF INSULIN IN DIABETIC PATIENTS BASED ON DIABETES FUZZY DIAGNOSIS تخصصي Special كاربردي Applicable مقدمه: تشخیص به موقع بیماری دیابت به‌طور چشم‌گیری صدمات و آسیب‌های ناشی از این بیماری را در جامعه کاهش می‌دهد. دیابت بیماری است که علاوه بر پیشگیری، نیاز به مراقبت‌های فراوانی از قبیل پیش بینی صحیح میزان نوسانات سطح قند خون دارد. از مهم‌ترین عوارض این بیماری می‌توان به بیهوشی، کما و حتی مرگ اشاره کرد. امروزه در این بیماران، تعیین صحیح دُز انسولین براساس تجربه و دانش پزشکان در کنار تعامل بیماران با آن‌ها مشخص می‌شود، هر چند که وجود خطاهای انسانی اجتناب ناپذیر است. روش‌ها‌: در این تحقیق 124 بیمار و 188 فرد سالمِ مشکوک به بیماری براساس 21 ویژگی (7 ویژگی به‌منظور تشخیص، 14 ویژگی به‌منظور پیش‌بینی دُز انسولین) مورد مطالعه و بررسی قرار گرفتند، سپس سیستمی ارائه شد که ابتدا شناسایی یا تشخیص بیماری را انجام دهد، بعد برای افراد بیمار، مهم‌ترین داروی این بیماران، یعنی دُز انسولین مشخص کند. سیستم پیشنهادی دارای دو مرحله (تشخیص بیماری و پیش‌بینی) و چندین زیر سیستم می‌باشد. در مرحله‌ی تشخیص بیماری، زیر سیستم‌هایی از قبیل سیستم فازی (Fuzzy) به‌منظور برآورد صحیح پیشرفت بیماری در بیماران، درخت تصمیم‌گیری (D-T) به‌منظور تهیه قوانین در سیستم فازی (فرآیند نگاشت فضای ویژگی (افراد) به خروجی (نتیجه‌ی تشخیص)) استفاده شده است. همچنین در مرحله‌ی پیش‌بینی دُز انسولین از الگوریتم‌های کاوشی (BPSO) به‌منظور انتخاب بهترین ویژگی‌ها، الگوریتم‌های طبقه‌بندی (SVM) به‌منظور طبقه‌بندی ویژگی‌های مؤثر از غیر مؤثر و سیستم‌های انطباقی مصنوعی فازی – عصبی (ANFIS) برای پیش‌بینی نهایی داروی بیماران استفاده شده است. یافته‌‌ها: سیستم پیشنهادی براساس بهترین ویژگی‌ها در بانک داده تهیه شده در قالب ترکیب و تعامل موفق شد به دقت 1/95% دست یابد، که البته در هنگام مقایسه با سایر روش‌های معمول به سرعت قابل توجه و عملکرد مناسب آن و البته دقت بالای آن پی‌ می‌بریم. نتیجه‌گیری:‌ نتایج به‌دست آمده به‌میزان قابل توجهی نسبت به تحقیقات قبلی بهبود یافت. همچنین در مقایسه با نتایج پزشکان، نشان دهنده‌ی عملکرد خوب در صحت پیش‌بینی سری زمانی غلظت قند خون است، چرا که سیستم پیشنهادی موفق شد، سطح قند خون تا 48 ساعت آینده را پیش‌بینی نماید. Background: On time diabetes diagnosis dramatically reduces the many injuries and damage in the community. Diabetes is a disease that requires a lot of care in addition to prevention, such as prediction the correct level of blood sugar fluctuations. The most important complications of such disease are anesthesia, coma and even death at final. Today, in these patients, determining the correct dose of insulin is based on the experience and knowledge of physicians along with the interaction of patients with them, although human error is inevitable. Methods: This study includes 124 patients and 188 healthy suspects were examined based on 21 features which hold by 7 features for diagnosis and 14 features for predicting insulin dose. The proposed system was presented to identify or diagnose the disease at first, and finally the correct doses of insulin for patients have been determine. The proposed system has two stages (which include diagnosis and prediction) and several subsystems. In the diagnosis phase, some sub systems such as the Fuzzy system for the purpose of accurately estimating the disease progression in patients and the decision tree (DT) for the preparation of rules in the fuzzy system (the process of mapping the attribute space (individuals) to the output (the diagnostic result)) have used. Also, in the prediction phase of insulin dose, the BPSO algorithms are used to select the best features. Classification algorithms (SVMs) are used to categorize effective to non-effective and adaptive artificial neuropsychological (ANFIS) systems for ultimate patient prediction have used. Results: The proposed system, based on the best features in the provided data base in the form of the combination and interaction, succeeded to achieve a 95.1% precision, of course due to comparing by other commonly used methods and its performance the proposed method have high precision. Conclusion: The results were significantly improved compared to previous studies. Also, in comparison with the results of physicians, it is indicative of good performance in predicting the accuracy of the time series of glucose concentration because the proposed system succeeded in predicting blood sugar levels for up to 48 hours. دیابت, تشخیص, پیش‌بینی, سیستم‌های فازی, الگوریتم طبقه‌بندی, سیستم فازی عصبی انطباقی Diabetes, Diagnosis, Prediction, Fuzzy Systems, Classification Algorithm, Adaptive Neuro Fuzzy Inference System 17 38 http://ijdld.tums.ac.ir/browse.php?a_code=A-10-274-2&slc_lang=fa&sid=1 Mohammad Fiuzy محمد فیوضی mohammad.fiuzy@yahoo.com Yes Elderology Research Center, Sabzevar University of Medical Sciences, Sabzevar, Iran مرکز تحقیقات سالمند شناسی دانشگاه علوم پزشکی سبزوار Javad Haddania چواد حدادنیا No Biomedical Engineering division, Electrical Engineering Faculty, Hakim Sabzevari University, Sabzevar, Iran مرکز تحقیقات فناوری‌های نوین پزشکی، دانشکده‌ی مهندسی برق دانشگاه حکیم سبزواری Nasrin Mollania نسرین ملانیا No Biochemistry division, Basic Science Faculty, Hakim Sabzevari University, Sabzevar, Iran بخش بیوشیمی، گروه زیست شناسی، دانشکده‌ی علوم پایه دانشگاه حکیم سبزواری