مجله دانشکده پزشکی اصفهان

مجله دانشکده پزشکی اصفهان

پیش‌بینی دیابت با استفاده از الگوریتم Adaboost در مردان فعال

نوع مقاله : مقاله های پژوهشی

نویسندگان
حمید آقا علی نژاد 1
لیلا فصیحی 2
محمدحسین قهرمانی 3
موژان آقا علی نژاد 4
1 استاد فیزیولوژی ورزش، گروه تربیت بدنی و علوم ورزشی، دانشکده‌ی علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران
2 دکتری فیزیولوژی ورزشی، گروه تربیت بدنی و علوم ورزشی، دانشکده‌ی علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران
3 کارشناسی ارشد فیزیولوژی ورزشی، گروه تربیت بدنی و علوم ورزشی، دانشکده‌ی علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران
4 دانشجو کارشناسی ارشد فیزیولوژی ورزشی، گروه تربیت بدنی و علوم ورزشی، دانشکده‌ی تربیت بدنی و علوم ورزشی، دانشگاه تهران، تهران، ایران
10.48305/jims.v44.i851.0137
چکیده
مقدمه: دیابت، بر بیماری‌های قلبی- عروقی، از دست دادن بینایی و بیماری‌های کلیوی تأثیر می‌گذارد. تکنیک‌های داده‌کاوی به پیش‌بینی زودهنگام و درمان دقیق بیماری پزشکان را کمک می‌کند. با توجه به نقش فعالیت بدنی در پیشگیری از دیابت، این مطالعه به بررسی تأثیر آن در کنار سایر عوامل خطر پرداخت. بنابراین، هدف اصلی این مطالعه، پیش‌بینی دیابت با استفاده از الگوریتم Adaboost در مردان فعال بود..
روش‌ها: در این مطالعه‌ی توسعه‌ای- کاربردی، پرونده‌ی‌ 500 ‎بیمار مرد در محدوده‌ی سنی 20-80 سال و با سابقه‌ی فعالیت بدنی منظم (حداقل 3 جلسه 90 دقیقه‌ای در هفته) که در 10 سال گذشته در بیمارستان‌های میلاد و آیت الله کاشانی تهران مراجعه کرده بودند به عنوان نمونه انتخاب شدند. تعداد20 متغیر آنتروپومتری، ژنتیکی، سابقه‌ی خانوادگی، عوامل محیطی و فیزیولوژیکی به عنوان ویژگی‌های ورودی الگوریتم انتخاب شدند. برای ارزیابی عملکرد الگوریتم پیشنهادی از معیارهای، حساسیت، صحت و دقت استفاده شد. از نرم‫افزار MATLAB (2024) برای تجزیه و تحلیل داده‌ها استفاده شد.
یافته‌ها: نتایج نشان داد که الگوریتم Adaboost با دقت 73/1 درصد و ‎صحت 75/3 درصد توانست بیماری دیابت را در مردان فعال پیش‌بینی کند.
نتیجه‌گیری: این مدل می‌تواند به عنوان ابزار کمکی در غربالگری اولیه دیابت در مراکز درمانی مورد استفاده قرار گیرد.

تازه های تحقیق

حمید آقاعلی نژاد:  Google Scholar

لیلا فصیحی:  Google Scholar

کلیدواژه‌ها
دیابت؛ Adaboost؛ مردان؛ &lrm
فعال؛ پیش‌بینی
موضوعات

عنوان مقاله English

Diabetes prediction using the Adaboost algorithm in active men

نویسندگان English

Hamid Agha-Alinejad 1
Leila Fasihi 2
Mohammad Hossein Ghahremani 3
Mozhan Agha-Alinejad 4
1 Professor of Exercise Physiology, Department of Physical Education & Sport Sciences, Faculty of Humanities, Tarbiat Modares University, Tehran, Iran
2 PhD of Exercise Physiology, Department of Physical Education & Sport Sciences, Faculty of Humanities, Tarbiat Modares University, Tehran, Iran
3 MSc. of Exercise Physiology, Department of Physical Education & Sport Sciences, Faculty of Humanities, Tarbiat Modares University, Tehran, Iran
4 MSc Student of Exercise Physiology, Department of Physical Education & Sport Sciences, Faculty of Physical Education & Sport Sciences, Tehran University, Tehran, Iran
چکیده English


Background: Diabetes affects cardiovascular diseases, vision loss, and kidney disease. Data mining techniques help doctors predict the disease early and treat it accurately. Given the role of physical activity in preventing diabetes, this study examined its effect alongside other risk factors. Therefore, the main objective of this study was to predict diabetes in active men using the Adaboost algorithm.
Methods: In this applied-developmental study, the records of 500 male patients aged 20-80 years with a history of regular physical activity (at least 3 90-minute sessions per week) who had visited Milad and Ayatollah Kashani hospitals in Tehran in the past 10 years were selected as samples. 20 anthropometric, genetic, family history, environmental and physiological variables were selected as input features of the algorithm. The criteria of sensitivity, accuracy and precision were used to evaluate the performance of the proposed algorithm. MATLAB (2024) software was used for data analysis.
Results: The results showed that the Adaboost algorithm was able to predict diabetes in active men with an accuracy of 73.1% and precision of 75.3%.
Conclusion: This model can be used as an auxiliary tool in the initial screening of diabetes in medical centers.

کلیدواژه‌ها English

Diabetes
Adaboost
Men
Active
Prediction
1.     Sabag A, Chang CR, Francois ME, Keating SE, Coombes JS, Johnson NA, et al. The effect of exercise on quality of life in type 2 diabetes: a systematic review and meta-analysis. Med Sci Sports Exerc 2023; 55(8): 1353-65.
2.     Ribeiro AKPdL, Carvalho JPR, Bento-Torres NVO. Physical exercise as treatment for adults with type 2 diabetes: a rapid review. Front Endocrinol (Lausanne) 2023; 14: 1233906.
3.     Kanaley JA, Colberg SR, Corcoran MH, Malin SK, Rodriguez NR, Crespo CJ, et al. Exercise/physical activity in individuals with type 2 diabetes: a consensus statement from the American College of Sports Medicine. Med Sci Sports Exerc 2022; 54(2): 353-68.
4.     Frankenberg NT, Mason SA, Wadley GD, Murphy RM. Skeletal muscle cell-specific differences in type 2 diabetes. Cell Mol Life Sci 2022; 79(5): 256.
5.     Bajpeyi S, Tanner CJ, Slentz CA, Duscha BD, McCartney JS, Hickner RC, et al. Effect of exercise intensity and volume on persistence of insulin sensitivity during training cessation. J Appl Physiol (1985) 2009; 106(4): 1079-85.
6.     Houmard JA, Tanner CJ, Slentz CA, Duscha BD, McCartney JS, Kraus WE. Effect of the volume and intensity of exercise training on insulin sensitivity. J Appl Physiol (1985) 2004; 96(1): 101-16.
7.     Kirwan JP, Solomon TP, Wojta DM, Staten MA, Holloszy JO. Effects of 7 days of exercise training on insulin sensitivity and responsiveness in type 2 diabetes mellitus. Am J Physiol Endocrinol Metab 2009; 1(2): E151-6.
8.     Magalhães JP, Melo X, Correia IR, Ribeiro RT, Raposo J, Dores H, et al. Effects of combined training with different intensities on vascular health in patients with type 2 diabetes: a 1-year randomized controlled trial. Cardiovasc Diabetol 2019; 18(1): 34.
9.     Motiani KK, Collado MC, Eskelinen J-j, Virtanen KA, Löyttyniemi E, Salminen S, et al. Exercise training modulates gut microbiota profile and improves endotoxemia. Med Sci Sports Exerc 2019; 52(1): 94-104.
10.  Fasihi L, Tartibian B, Eslami R, Fasihi H. Artificial intelligence used to diagnose osteoporosis from risk factors in clinical data and proposing sports protocols. Sci Rep 2022; 12(1): 18330.
11.  Tartibian B, Fasihi L, Eslami R, Fasihi A. Comparison and prediction of hepatic encephalopathy complications in liver transplant patients using random forest algorithm in active and inactive men. Physical Treatments 2025; 15(1): 81-90.
12.  Fiarni C, Sipayung EM, Maemunah S. Analysis and prediction of diabetes complication disease using data mining algorithm. Procedia computer science 2019; 161: 449-57.
13.  Abdollahi J, Nouri-Moghaddam B. Hybrid stacked ensemble combined with genetic algorithms for diabetes prediction. Iran J Comput Sci 2022; 5(3): 205-20.
14.  Sargeant JA, Yates T, McCann GP, Lawson CA, Davies MJ, Gulsin GS, et al. Physical activity and structured exercise in patients with type 2 diabetes mellitus and heart failure. Practical Diabetes 2018; 35(4): 131-8.
15.  Portes J, Bullón B, Gallardo I, Fernandez-Riejos P, Quiles JL, Giampieri F, et al. Prevalence of undiagnosed diabetes and prediabetes related to periodontitis and its risk factors in elderly individuals. J Dent 2023; 132: 10448.
16.  Fasihi L, Tartibian B, Eslami R. Presenting a model for detecting osteoporosis in active older men using the support vector machine algorithm. Scientific Journal of Rehabilitation Medicine 2022; 11(5): 742-53.
17.  Freund Y, Schapire RE. A decision-theoretic generalization of on-line learning and an application to boosting. J Comput Syst Sci 1997; 55(1): 119-39.
18.  Thuraka B, Pasupuleti V, Kodete CS, Chigurupati RS, Tirumanadham NKMK, Shariff V. Enhancing Diabetes Prediction using Hybrid Feature Selection and Ensemble Learning with AdaBoost. 2024 8th International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud)(I-SMAC); 2024: IEEE.
19.  Chaves L, Marques G. Data mining techniques for early diagnosis of diabetes: a comparative study. Appl Sci 2021; 11(5): 2218.
20.  Gao J, Luo SL, Jia HB, Zhang TM, Han YW. Type 2 diabetes data processing with EM and C4. 5 Algorithm. 2007 IEEE/ICME International Conference on Complex Medical Engineering, CME 2007; 2007.
21.  Huang Y, McCullagh P, Black N, Harper R. Feature selection and classification model construction on type 2 diabetic patients’ data. Artif Intell Med 2007; 41(3): 251-62.
22.  Han J, Rodriguez JC, Beheshti M. Diabetes data analysis and prediction model discovery using rapidminer. 2008 2nd International Conference on Future Generation Communication and Networking; 2008: IEEE.
23.  Anbananthen KSM, Sainarayanan G, Chekima A, Teo J. Artificial neural network tree approach in data mining. Malaysian Journal of Computer Science 2007; 20(1): 51-62.
24.  Fang X. Are you becoming a diabetic? A data mining approach. 2009 Sixth International Conference on Fuzzy Systems and Knowledge Discovery; 2009: IEEE.
مجله دانشکده پزشکی اصفهان
دوره 44، شماره 851
هفته 3، فروردین
فروردین و اردیبهشت 1405
صفحه 137-142

  • تاریخ دریافت 19 اسفند 1403
  • تاریخ پذیرش 26 اردیبهشت 1405