چکیده: داده‌های سلامت به دلیل هم‌پوشانی میان گروه‌های مختلف بیماران و ماهیت تدریجی بسیاری از اختلالات متابولیک، با درجاتی از عدم‌قطعیت و مرزهای نامشخص همراه هستند؛ ازاین‌رو، روش‌های طبقه‌بندی قطعی نمی‌توانند همواره مدل‌سازی دقیق از وضعیت‌های گذار و بیماران مرزی ارائه دهند. شناسایی الگوهای پنهان سلامت و تفکیک سطوح مختلف خطر متابولیک می‌تواند نقش مهمی در بهبود تصمیم‌گیری‌های پیشگیرانه و درمانی ایفا کند. ازاین‌رو، پژوهش حاضر با هدف ارزیابی توانایی خوشه‌بندی فازی در شناسایی گروه‌های سلامت و بیماران مرزی انجام شده است. بدین منظور، پس از پیش‌پردازش داده‌های بالینی شامل نرمال‌سازی و کنترل مقادیر پرت، تعداد بهینه خوشه‌ها با استفاده از شاخص‌های اعتبارسنجی تعیین و الگوریتم خوشه‌بندی فازی را اجرا نمودیم. سپس با تحلیل ماتریس عضویت، پروفایل بالینی خوشه‌ها استخراج و بیماران دارای عضویت آمیخته شناسایی شدند. نتایج نشان می‌دهد که چهار خوشه متمایز از نظر سن، شاخص توده بدنی، فشار خون، قند خون و چربی‌های خون قابل تشخیص هستند. میانگین فشار خون سیستولیک در خوشه‌ها بین 118.4 تا 146.2 میلی‌متر جیوه و میانگین قند خون ناشتا بین 96.7 تا 148.5 میلی‌گرم در دسی‌لیتر متغیر است که بیانگر طیفی از وضعیت کم‌خطر تا پرخطر متابولیک می‌باشد. همچنین 78 بیمار (15.6 درصد نمونه‌ها) به‌عنوان بیماران مرزی شناسایی شدند که بیشترین هم‌پوشانی عضویت آن‌ها بین خوشه‌های دوم و سوم مشاهده شده و اختلاف میانگین دو درجه عضویت برتر آن‌ها برابر 0.12 است. نتایج مقایسه‌ای نیز حاکی از آن است که رویکرد فازی در مدل‌سازی وضعیت‌های گذار و عدم‌قطعیت‌های بالینی عملکرد مؤثرتری نسبت به روش‌های قطعی دارد. در مجموع، یافته‌ها نشان می‌دهد که خوشه‌بندی فازی می‌تواند ناهمگنی موجود در داده‌های سلامت را به‌صورت واقع‌بینانه مدل‌سازی کرده و مبنایی برای طبقه‌بندی دقیق‌تر بیماران و طراحی مداخلات هدفمند در نظام سلامت فراهم آورد.