Predictive ensemble model for early diagnosis of diabetes using Sultan Qaboos University Hospital Dataset

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

Diabetes Mellitus is a public health challenge with social and economic consequencesfor nations irrespective of their economic stability. The Ministry of Health reports thatdiabetes is on the rise for Omanis and has increased to the extent that it is the second ranked most prevalent disease among non-communicable diseases, a significant causeof health loss condition in Oman. Despite this, diabetes is preventable by accepting ahealthier lifestyle. Thus, an appropriate tool for prognosis can assist the doctors indetecting the disease early and recommending the necessary lifestyle changes to reduceits progress. Information overloaded to the Clinic and health care centres for the patientsthat require sophisticated analysis tools and techniques to extract valuable knowledgeand transform them into understandable patterns for decision-making. The latest datamining techniques, including ensemble algorithms, can be applied to significantlyobtain the hidden patterns from the voluminous dataset to improve the diagnosis ofdiabetes at the initial stage of pre-diabetes. This research aims to construct a predictiveensemble model that can significantly classify and predict diabetes at the earliest stageaccurately using the dataset collected from the Sultan Qaboos University Hospitaldatabase from Jan 2019 to October 2021. The ensemble model overcomes the varianceproblem of individual algorithms by combining the prediction results from differentalgorithms to create strong prediction results. The study applied five supervisedclassification algorithms to build the Stacking and Voting ensemble models, includingRandom Forest (RF), Decision Tree (J48), K-Nearest Neighbours (KNN), SupportVector Machine (SVM), and Naïve Bayes (NB). These algorithms were evaluated usingdifferent performance evaluation metrics, including recall, accuracy, AUC curve andprecision, and validated using the cross-validations process to overcome the bias of theindividual algorithms. The outperform algorithm is then used to demonstrate theutilisation of the model and discover the hidden knowledge in the dataset. The studyoutcomes confirm that accuracy achieved by the ensemble algorithms, includingstacking, and voting models, produce promising results compared to other techniquesfor learning from complex datasets due to combining different prediction results fromthe individual algorithms. Because the stacking algorithm combines the correctprediction results from the individual classifiers, it provides the most accurate resultsof 86.9% and an AUC curve of 86.9% in predicting diabetes. Therefore, it can be usedas an automatic prognostic tool to improve the diagnosis system in healthcare.However, it can be optimised further to progress prediction accuracy by including thesignificant risk factors in predicting diabetes. An improved diabetes diagnosis systemusing machine learning methodologies results in the awareness and acceleratingdecision-making that may help physicians and doctors understand the disease better andenhance proper treatment. Consequently, it reduces hospitalisations, improves clinicaloutcomes, and minimises health expenditure for government and individuals.

روابط وملفات

التعريف والنوع

رقم الوثيقة

0019391e-b57e-4c99-beaa-ab6746cb7dba

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل ماجيستير

نوع الملف

pdf text

أسماء الملفات

0019391e-b57e-4c99-beaa-ab6746cb7dba_1.pdf

بيانات النشر

ترجمة العنوان

نموذج أساسي تنبؤي للتشخيص المبكر لمرض السكري باستخدام مجموعة بيانات مستشفى جامعة السلطان قابوس

ألقاب المؤلفين

[{"name_ar":"Ali Tarhini","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"Talaa Soud Ali","title_ar":"اعداد","title_en":"Preparation"}]

اللغة

English

المصدر والدورية

اسم المصدر

Predictive ensemble model for early diagnosis of diabetes using Sultan Qaboos University Hospital Dataset

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

داء السكري هو أحد تحديات الصحة العامة وله آثار اجتماعية ومالية على الدول بغض النظر عن وضعها الاقتصادي. وبحسب وزارة الصحة، فقد ارتفع معدل انتشار مرض السكري بين العمانيين إلى درجة أنه يحتل المرتبة الثانية بين الأمراض غير المعدية، وهو سبب مهم لفقدان الصحة في عمان. على الرغم من ذلك، يمكن الوقاية من مرض السكري إلى حد كبير من خلال اتباع أسلوب حياة أكثر صحة. وبالتالي، يمكن لأداة التشخيص المناسبة أن تساعد الأطباء في اكتشاف المرض مبكرًا والتوصية بالتغييرات الضرورية في نمط الحياة لتقليل تقدمه. المعلومات المتوفرة في العيادات ومراكز الرعاية الصحية للمرضى تتطلب أدوات وتقنيات تحليل متطورة لاستخراج المعرفة القيمة وتحويلها إلى أنماط مفهومة لاتخاذ القرار. يمكن تطبيق أحدث تقنيات استخراج البيانات، بما في ذلك خوارزميات التجميع، للحصول على الأنماط المخفية من مجموعات البيانات الضخمة لتحسين تشخيص مرض السكري في المرحلة الأولى من مرحلة ما قبل السكري. يهدف هذا البحث إلى بناء نموذج تجميع تنبؤي يمكنه تصنيف مرض السكري والتنبؤ به بدقة عالية في المرحلة الأولى باستخدام مجموعة البيانات التي تم جمعها من قاعدة بيانات مستشفى جامعة السلطان قابوس في الفترة من يناير 2019 إلى أكتوبر 2021. يتغلب نموذج التجميع على مشكلة التباين في الخوارزميات الفردية من خلال الجمع بين نتائج التنبؤ من خوارزميات مختلفة لخلق نتائج تنبؤية قوية. طبقت الدراسة خمس خوارزميات تصنيف خاضعة للإشراف لبناء نماذج، وهي: الجار الأقرب (K-Nearest Neighbors - KNN)، شجرة القرار، بايز الساذج (Naïve Bayes - NB)، الغابة العشوائية (Random Forest - RF)، وآلة المتجهات الداعمة (Support Vector Machine - SVM). كما استخدمت الدراسة أساليب التجميع مثل التكديس والتصويت. تم تقييم هذه الخوارزميات والتحقق من صحتها باستخدام مقاييس مختلفة لتقييم الأداء مثل الدقة، والاسترجاع، ومنحنى AUC، وذلك للتغلب على تحيز الخوارزميات الفردية. ثم تم استخدام الخوارزمية ذات الأداء المتفوق لتوضيح استخدام النموذج واكتشاف المعرفة المخفية في مجموعة البيانات. تؤكد نتائج الدراسة أن الدقة التي حققتها خوارزميات التجميع، بما في ذلك نماذج التكديس والتصويت، تقدم نتائج واعدة مقارنة بالتقنيات الأخرى لتعلم الآلة من مجموعات البيانات المعقدة، بسبب الجمع بين نتائج التنبؤ المختلفة من الخوارزميات الفردية. ونظرًا لأن خوارزمية التكديس تجمع بين نتائج التنبؤ الصحيحة من المصنفات الفردية، فإنها توفر أعلى نسبة دقة بلغت 86.9٪، وكذلك AUC بنسبة 86.9٪ في التنبؤ بمرض السكري. لذلك، يمكن استخدام هذا النموذج كأداة تشخيصية تلقائية لتحسين نظام التشخيص في الرعاية الصحية. ومع ذلك، يمكن تحسينه بشكل أكبر من خلال تضمين عوامل الخطر المهمة في التنبؤ بمرض السكري. إن تحسين نظام تشخيص مرض السكري باستخدام منهجيات التعلم الآلي يؤدي إلى زيادة الوعي وتسريع عملية اتخاذ القرار، مما قد يساعد الأطباء على فهم المرض بشكل أفضل وتعزيز العلاج المناسب. وبالتالي، فإنه يقلل من حالات دخول المستشفى، ويحسن النتائج السريرية، ويقلل من الإنفاق الصحي للحكومة والأفراد.

كلمات الباحثين

Diabetes -Data processing- Oman

إشراف وإعداد

الإشراف

Ali Tarhini

الإعداد

Talaa Soud Ali

الاقتباسات الببليوغرافية