تصميم نموذج تنبؤي لتشخيص مرض السكري باستخدام تقنيات التعلم الآلي والتنقيب في البيانات

الملخص

يشكّل داء السكري عبئًا صحيًا عالميًا متزايدًا، مما يستدعي توفير أدوات تشخيص دقيقة وفي الوقت المناسب لتحسين نتائج المرضى. تهدف هذه الدراسة إلى تطوير وتقييم نموذج تنبؤي لتشخيص مرض السكري باستخدام تقنيات تعلم الآلة والتنقيب في البيانات. تم استخدام مجموعة بيانات تم جمعها من مؤسسات طبية عراقية، وتطبيق عدد من خوارزميات التصنيف الخاضعة للإشراف، بما في ذلك Naïve Bayes، وغابة القرار العشوائي (Random Forest)، وأقرب الجيران (KNN)، وآلة الدعم الناقل (SVM)، والشجرة العشوائية (Random Tree)، عبر أربع سيناريوهات معالجة مسبقة مختلفة.

 شملت هذه السيناريوهات خطوات مثل تصفية الضوضاء، وموازنة الفئات باستخدام تقنية SMOTE، واختيار الخصائص الأكثر تأثيرًا بهدف تعزيز دقة النموذج وقوته. وقد أظهر أفضل سيناريو—الذي جمع بين جميع تقنيات المعالجة المسبقة—أداءً متميزًا، حيث حقق نموذج Random Forest أعلى النتائج بدقة بلغت ‎%99.1، ودرجة دقة (Precision) بلغت ‎0.97، وF-Measure بلغت ‎0.95، ومساحة تحت المنحنى (AUC) بلغت ‎1. بالمقابل، سجل نموذج Naïve Bayes في سيناريو البيانات الخام أقل أداء، بدقة بلغت ‎%87.6، ودقة ‎0.74، وF-Measure بلغت ‎0.75، وAUC بلغت ‎0.96. تؤكد هذه النتائج أن استخدام تقنيات التعلم الآلي والتنقيب في البيانات مدعومة باستخدام تقنيات المعالجة المسبقة يعزز بشكل كبير من أداء النماذج التنبؤية، ويقدم إطارًا عمليًا للكشف المبكر عن مرض السكري، خاصة في البيئات الصحية ذات الموارد المحدودة.