A Design of an Intelligent Information System Based on Feature Sensitivity Algorithm for Diabetes Emergency Medicine

Abstract

Abstract Diabetes is a chronic disease and considered a serious global health challenge. Diabetes complications happen when diabetes is uncontrolled. Every 21 seconds, a new case of diabetes is diagnosed globally. Diabetes is responsible of 1.6 million deaths annually and 30 percent of the healthcare spending goes to address diabetes complications. This research addresses data loss which is a frequent problem facing machine learning models at both the training and production phases. Loss of values ​​negatively affects the accuracy of the models, especially in the medical field where accuracy is very sensitive. The previous studies addressed the missing values in the model-training phase. In addition, the previous missing value treatment methods were based on replacing the missing value with one value and there is no flexibility in the replacement. The dataset collected from Alsukari Hospital. It contains 644 records and 29 attributes of diagnosed diabetes patients who were admitted to the emergency department in the period from January 2018 to April 2019 for building the model and verified using a dataset from online repository (https://data.mendeley.com/datasets/jx3sv3p2hm/1) containing 177 records and 22 features. The study proposed feature sensitivity algorithm to identify within feature sensitivity. Also, we designed three machine learning models: the first model to predict diabetes complications with an accuracy of 0.81 using logistic regression algorithm which outperformed random forest and KNN. The second model designed to predict diabetic ketoacidosis (DKA), which achieved an accuracy of 0.81using random forest classifier. The third to predict COVID-19 using survey data based on k-mode algorithm with 0.71 accuracy. We designed an intelligent information system (IIS) and deployed the three machine learning models into (IIS). We used input slider in designing the system for replacing the missing values, which provided flexibility and usability to the system users. Doctors need to be allowed to identify and monitor patients at risk of complications for the early introduction of medical interventions.

المستخلص مرض السكري هو مرض مزمن ويعتبر من اخطر التحديات الصحية العالمية. تحدث مضاعفات السكري عندما يكون مرض السكري خارج عن السيطرة. في كل 21 ثانية يتم تشخيص حالة جديدة للسكري على مستوى العالم. مرض السكري مسؤول عن وفاة 1.6 مليون حالة سنويًا ، ويتم تخصص 30 بالمائة من إنفاق الرعاية الصحية لمعالجة مضاعفات مرض السكر. يتناول هذا البحث مشكلة فقدان البيانات وهي مشكلة متكررة تواجه نماذج التعلم الآلي في كل من مرحلتي التدريب والتشغيل. يؤثر فقدان القيم سلبًا على دقة النماذج ، خاصة في المجال الطبي حيث تكون الدقة مهمة للغاية. تناولت معظم الدراسات السابقة معالجة القيم المفقودة في مرحلة تدريب النموذج. استندت طرق معالجة القيمة المفقودة السابقة إلى استبدال القيمة المفقودة بقيمة واحدة ولا توجد مرونة في الاستبدال. تم جمع مجموعة البيانات من مستشفى السكري. تحتوي البيانات على 644 سجلاً و 29 صفة(attributes) لمرضى السكري الذين تم إدخالهم إلى قسم الطوارئ في الفترة من يناير 2018م إلى أبريل 2019م.اسخدمت هذه البيانات في بناء النموذج وتم التحقق من النموذج بأستخدام بيانات من الانترنت https://data.mendeley.com/datasets/jx3sv3p2hm/1 تحتوي علي 177 سجل و 22 صف. اقترحت الدراسة خوارزمية حساسية الصفات (feature sensitivity algorithm) للتحقق من حساسية الصفة. كما تم تصميم ثلاثة نماذج للتعلم الآلي: النموذج الأول للتنبؤ بمضاعفات مرض السكري ، حقق النموذج النهائي دقة بلغت 0.81 باستخدام خوارزمية الانحدار اللوجستي(logistic regression) التي تفوقت على random forest و KNN ، والنموذج الثاني للتنبؤ بالحماض الكيتوني السكري (DKA) الذي حقق دقة بلغت 810. باستخدام random forest ، والثالث يتنبأ بـ COVID-19 باستخدام بيانات استبيان وخوارزمية K-mode بدقة بلغت 0.71. كما تم تصميم نظام معلومات مبني علي استخدام نماذج تعلم الألة وتشغيل النماذج الثلاثة في النظام. تم إستخدام (input slider) في تصميم النظام مما أعطي مرونة و سهولة في الاستخدام . يسمح هذا النظام للأطباء بتصنيف ومراقبة المرضى المعرضين لخطر المضاعفات للتدخل الطبي المبكر.