تقنيات التعلم الآلي المتقدمة لتحسين تشخيص مرض السكري: فحص مفصل لبيانات المستشفى

يُعد مرض السكري مرضًا مزمنًا يصيب ملايين الأشخاص في جميع أنحاء العالم. يعد التشخيص المبكر والإدارة الفعّالة أمرًا بالغ الأهمية للحد من مضاعفاته. يُعد مرض السكري رابع أعلى سبب للوفاة بسبب ارتباطه بالعديد من الأمراض المصاحبة، بما في ذلك أمراض القلب وتلف الأعصاب وتلف الأوعية الدموية والعمى. إن إمكانات خوارزميات التعلم الآلي في التنبؤ بمرض السكري والحالات ذات الصلة كبيرة، وتعد عملية استخراج بيانات مرض السكري طريقة فعّالة لاستخراج رؤى جديدة. الهدف الأساسي من هذه الدراسة هو تطوير نموذج محسّن للمجموعات للتنبؤ بمرض السكري بدقة محسنة من خلال الاستفادة من خوارزميات التعلم الآلي المختلفة. اختبرت هذه الدراسة العديد من خوارزميات التعلم الآلي الشائعة المستخدمة بشكل شائع في التنبؤ بمرض السكري، بما في ذلك Naive Bayes (NB)، وGeneralized Linear Model (GLM)، وLogistic Regression (LR)، وFast Large Margin (FLM)، وDeep Learning (DL)، وDecision Tree (DT)، وRandom Forest (RF)، وGradient Boosted Trees (GBT)، وSupport Vector Machine (SVM). تمت مقارنة أداء هذه الخوارزميات، وتم استخدام تقنيتين مختلفتين للمجموعات - التكديس والتصويت - لبناء نموذج تنبؤي أكثر دقة. كانت أفضل ثلاث خوارزميات بناءً على الدقة هي التعلم العميق، وخوارزمية بايز الساذجة، وأشجار التدرج المعززة. كشفت خوارزميات التعلم الآلي أن الأفراد المصابين بمرض السكري يتأثرون بشكل كبير بعدد الحالات المزمنة التي يعانون منها، بالإضافة إلى جنسهم وعمرهم. قدمت نماذج المجموعة، وخاصة طريقة التكديس، دقة أعلى من الخوارزميات الفردية. حقق نموذج مجموعة التكديس دقة أفضل قليلاً بنسبة 99.94? مقارنة بنسبة 99.34? لطريقة التصويت. أدى بناء نموذج مجموعة إلى زيادة دقة التنبؤ بمرض السكري والحالات ذات الصلة بشكل كبير. أظهر نموذج مجموعة التكديس، على وجه الخصوص، أداءً متفوقًا، مما يسلط الضوء على أهمية الجمع بين أساليب التعلم الآلي المتعددة لتعزيز دقة التنبؤ.