20.500.12556/DKUM-68620 Razvoj spletne aplikacije in napovednega modela za napoved nediagnosticirane sladkorne bolezni tipa 2 Development of web aplication and predictive model for predicting undiagnosed type 2 diabetes V magistrski nalogi smo s pomočjo metode strojnega učenja »Random Forest« skušali napovedati stopnjo tveganja za nastanek sladkorne bolezni oz. verjetnost prisotnosti nediagnosticirane sladkorne bolezni na podlagi podatkov iz Slovenije. Za izbrano metodo smo določili optimalno število in vrsto spremenljivk za posamezni model. Za evalvacijo modela smo uporabili povprečno območje pod krivuljo (AUC), točnost in F-mero. Za model populacije s povečanim tveganjem smo dosegli povprečno AUC 0,823, točnost 0,824 in F-mero 0,804. V modelu za napoved nediagnostirane sladkorne bolezni smo dosegli povprečno AUC in točnost 0,749 in F-mero 0,654. Na podlagi podatkov smo pokazali, da je možno z veliko uspešnostjo določiti osebe z visokim tveganjem, ki predstavljajo preddiabetike in nediagnostirane diabetike oz. skupino s tveganjem za nastanek sladkorne bolezni tipa 2. Pokazali smo uporabo tehnik uravnoteženja odločitvenega razreda in rezultate primerjali z neuravnoteženim razredom. Uravnoteženje razreda zviša klasifikacijsko uspešnost modela. Rezultate smo primerjali z rezultati drugih znanstvenih objav in zasledili podobnost med rezultati. Tuje raziskave navajajo, da je klasifikator Random Forest najpogosteje izbran model, v primerjavi z drugimi modeli za napovedovanje kroničnih bolezni. S korelacijskim testom smo pokazali, da napovedna uspešnost modela ne korelira s številom dreves v ansamblu (p = 0,00015). The master’s thesis develops predictive models based on machine learning method Random Forest for prediction of diabetes type 2 risk population group and undiagnosed diabetes group using data collected in Slovenia. The optimal set of features for optimal results was determined. We used mean area under the curve (AUC), accuracy and F-measure for evalvation of the model. We achieved mean AUC of 0.823, accuracy 0.824 and F- measure 0.804 for risk in the preddiabetes group and mean AUC and accuracy of 0.749 and F-measure 0.654 for undiagnosed diabetes model. We achieved the best predictive performance for high-risk population representing preddiabetes and undiagnosed diabetes patients. We show techniques for balancing class variable and compare results with unbalance data. Balancing improved overall accuracy of classification model. Comparison to related scientific papers shows similarities between results and techniques and that Random Forest is a preferred model of choice in the field of prediction of chronic diseases with high accuracy rate. Correlation test shows no correlation between mean AUC and number of trees in ensemble (p = 0,00015). strojno učenje Random Forest neuravnoteženi podatki diabetes mellitus machine learning Random Forest unbalance data diabetes mellitus true false false [A. Fajfar] Slovenski jezik Angleški jezik Magistrsko delo/naloga 2017-09-30 14:00:54 2017-10-19 13:31:08 2022-08-01 15:46:49 2019-07-11 16:58:55 2017 0 Maribor 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 616.379-008.64:004 2361764 URN:SI:UM:DK:4EO1TWZI MAG_Fajfar_Andrej_2017.pdf MAG_Fajfar_Andrej_2017.pdf 1 75C92B03E527E3A89BC74D64FDE2C94E f9808c4570bbfe6d4d4b7e1440862ae9b8c079e4fb3e9f38e2e7bb91f0e41412 663ec313-7c0f-11eb-bb7a-00155d0001ca 20.500.12556/dkum/75f01c6d-58ca-41f0-a4e8-3922b54d7485 https://dk.um.si/Dokument.php?lang=slv&id=119275 Fakulteta za zdravstvene vede 0 0 0