fa پیش‌بینی روند شیوع دیابت نوع دوم با استفاده از مدل ترکیبی اتوماتای سلولی یادگیر و الگوریتم مدل رتبه‌بندی برتری و فروتری: رویکردی مبتنی بر داده‌های واقعی عمومى General پژوهشي Research مقدمه: دیابت نوع دو یکی از تهدیدات جدی برای سلامت عمومی در قرن حاضر است و هزینه‌های اقتصادی و درمانی قابل‌توجهی را بر نظام‌های سلامت تحمیل می‌کند. پیش‌بینی دقیق روند ابتلا به دیابت می‌تواند نقش مؤثری در مدیریت منابع و طراحی برنامه‌های مداخله‌ای ایفا کند.<br> روش‌ها: در این مطالعه، یک مدل ترکیبی مبتنی بر اتوماتای سلولی یادگیر (CLA) و الگوریتم رتبه‌بندی برتری و فروتری (SIR) توسعه داده شده است تا با بهره‌گیری از داده‌های بیماران دیابتی واقعی در استان کرمان، روند گسترش بیماری در افق ۲۰ساله آتی پیش‌بینی شود. داده‌های مورداستفاده شامل ویژگی‌های دموگرافیک و آزمایشگاهی بیماران دیابتی طی سال‌های ۱۳۸۳ تا ۱۳۹۱ بوده است. پس از پیش‌پردازش داده‌ها و حذف مقادیر گمشده، مدل پیشنهادی در نرم‌افزار MATLAB پیاده‌سازی شد.<br> یافته‌ها: نتایج نشان داد که ترکیب مدل CLA و SIR توانسته است بادقت بالایی روند شیوع بیماری را مدل‌سازی کند. همچنین، فاکتورهایی نظیر فشارخون، کلسترول و شاخص توده بدنی به‌عنوان عوامل مؤثر کلیدی در روشن‌شدن سلول‌های مدل شناسایی شدند.<br> نتیجه‌گیری: یافته‌ها بیانگر آن است که استفاده از رویکردهای هوشمند می‌تواند در تحلیل داده‌های سلامت و پیش‌بینی بیماری‌های مزمن مؤثر باشد.<br> <br> &nbsp; Background: Type 2 diabetes is a major public-health threat of the present century, imposing substantial clinical and economic burdens on health systems. Accurate forecasting of disease incidence can support resource allocation and the design of targeted interventions.<br> Methods: In this study, we developed a hybrid model that integrates Cellular Learning Automata (CLA) with a Susceptible&ndash;Infected&ndash;Recovered (SIR) framework to predict the 20-year spread of type 2 diabetes using real patient data from Kerman province. The dataset comprised demographic and laboratory features of patients with diabetes collected during the Persian calendar years 2005&ndash; 2013. After preprocessing and imputation of missing values, the proposed model was implemented in MATLAB.<br> Results: Results indicate that the CLA&ndash;SIR combination models the disease trajectory with high accuracy. Moreover, factors such as blood pressure, cholesterol, and body mass index were identified as key drivers influencing the activation states of model cells.<br> Conclusion: These findings suggest that intelligent hybrid approaches can be effective for health-data analysis and long-term prediction of chronic diseases.<br> &nbsp; دیابت نوع دو, مدل‌سازی پیش‌بینانه, اتوماتای سلولی یادگیر (CLA), الگوریتم SIR, داده‌کاوی سلامت Type 2 Diabetes, Predictive Modeling, Cellular Learning Automata (CLA), Susceptible–Infected–Recovered (SIR) Model, Health Data Mining 424 432 http://ijdld.tums.ac.ir/browse.php?a_code=A-10-2279-1&slc_lang=fa&sid=1 Mostafa Kashani مصطفی کاشانی mostafa.kashani@sirums.ac.ir 0000-0003-0326-6894 Yes Department of Health Information Technology, Sirjan School of Medical Sciences, Sirjan, Iran گروه فناوری اطلاعات سلامت، دانشکدۀ علوم پزشکی سیرجان، سیرجان، ایران Sedigheh Barzekar صدیقه برزه کار 0009-0007-7436-8173 No Department of Medicine, Sirjan School of Medical Sciences, Sirjan, Iran گروه پزشکی، دانشکدۀ علوم پزشکی سیرجان، سیرجان، ایران