fa داده کاوی بر پایه روش‌های شبکه عصبی و درخت تصمیم در تشخیص زود هنگام ریسک ابتلا به دیابت بارداری تخصصي Special پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color: black;">مقدمه:</span></strong> امروزه در دنیای مدرن صنعتی خطر ابتلا به بیماری‌های مزمن به طرز چشمگیری افزایش یافته است. دیابت بارداری یکی از مسائل مهم در حوزه سلامت است و در صورتی که درمان نشود مشکلات و عوارض جانبی متعددی برای مادر و فرزندش به همراه دارد. این پژوهش به دنبال پیش‌بینی ریسک و هشدار به موقع در ابتلا به دیابت بارداری به مادر می‌باشد تا در اوایل بارداری از ابتلا جلوگیری به عمل آید.<br> <strong><span style="color: black;">روش:</span></strong><span style="color: black;"> این پژوهش که به صورت کاربردی- پیمایشی انجام شد</span> و از دو رویکرد شبکه عصبی و درخت تصمیم در داده‌کاوی به منظور تجزیه‌وتحلیل آزمایشی داده‌ها و پیش‌بینی استفاده گردید. داده‌های استخراج شده نرمال‌سازی شده و پس از آماده‌سازی در نرم‌افزار <span dir="LTR">Matlab</span> تجزیه‌وتحلیل شدند.<br> <strong><span style="color: black;">نتایج</span></strong><strong>:</strong> تحقیق حاضر در پی یافتن پاسخ به این پرسش است که&quot;آیا دو روش داده‌کاوی شبکه عصبی و درخت تصمیم در تشخیص به هنگام و درست ریسک ابتلا به دیابت بارداری از صحت لازم برخوردار است ؟&quot; و می‌توان از آن‌ها برای تشخیص درست استفاده نمود؟ نتایج تحقیق نشان می‌دهد که روش‌های داده مدار در بهبود صحت و درستی پیش<span dir="LTR">‌</span>بینی مؤثرند، در کشف دانش ضمنی و تشخیص روابط پنهان بین داده‌ها عملکرد مناسبی دارند و خطای تصمیم<span dir="LTR">‌</span>گیری در هر دو روش در حد قابل پذیرش و بسیار به هم نزدیک است‌.<br> <strong>نتیجه&shy; گیری:</strong> نتایج تحقیق حاکی از آن است که از رویکرد‌های داده مدار می‌توان در مراکز درمانی و سایر بیماری‌های کمتر شناخته شده استفاده نمود و پیشگیری به موقع‌، مدیریت خود بیمار و کاهش هزینه‌های درمانی را میسر ساخت. </span></div> <div style="text-align: justify;"><strong>Introduction:</strong> Nowadays, in this industrial modern world, the incidence of chronic diseases has been significantly increased. Gestational diabetes mellitus is one of the major health problems that if not treated, it will cause serious complications for mother and her child. The purpose of this research was to find ways for determining the risk of gestational diabetes mellitus and making early diagnosis to prevent it in the initial stages of pregnancy.<br> <strong>Methods:</strong> This applied-survey research used two approaches of neural network and decision tree in experimental analysis of data and prediction. The extracted data were normalized and analyzed through Matlab software.<br> <strong>Results:</strong> The results showed that data-based method is effective in improving the accuracy of prediction and has good performance in discovering implied knowledge and diagnosis of hidden relationships among data. In both methods, decision errors were acceptable and very close to each other.<br> <strong>Conclusion</strong>: Based on the obtained results, data mining methods can be used in health centers for less familiar diseases in order to achieve on-time diagnosis, patient management and to decrease treatment costs.<br> &nbsp;</div> دادهکاوی‌, شبکه‌های عصبی هوشمند, درخت تصمیم, دیابت بارداری, تشخیص Data mining, Artificial Neural Network, Decision Tree, Gestational diabetes mellitus, Diagnosis 59 68 http://jhbmi.ir/browse.php?a_code=A-10-261-1&slc_lang=fa&sid=1 Maryam Mirsharif مریم میرشریف mary_mshf@yahoo.com 10031947532846003601 10031947532846003601 Yes MSc in Information Technology Management, Tehran University of Science and Research, Tehran, Iran. کارشناس ارشد مدیریت فناوری اطلاعات، دانشگاه علوم و تحقیقات تهران، تهران، ایران. Saeed Rouhani سعید روحانی srouhani@ut.ac.ir 10031947532846003602 10031947532846003602 No tehran university دکترای مهندسی سیستم، استادیار، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.