دوره 3، شماره 4 - ( زمستان 1395 )
جلد 3 شماره 4 صفحات 299-287 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Sabbagh Gol H. Detection of Coronary Artery Disease Using C4.5 Decision Tree. jhbmi 2017; 3 (4) :287-299
URL: http://jhbmi.ir/article-1-172-fa.html
URL: http://jhbmi.ir/article-1-172-fa.html
صباغ گل حامد. تشخیص بیماری عروق کرونر قلبی با استفاده از درخت تصمیم C4.5. مجله انفورماتیک سلامت و زیست پزشکی. 1395; 3 (4) :287-299
کارشناسی ارشد مهندسی کامپیوتر گرایش نرم‌افزار، مربی، عضو هیات علمی گروه کامپیوتر، دانشگاه پیام نور، ایران
چکیده: (9627 مشاهده)
مقدمه: یکی از شایع‌ترین بیماری‌ها و علل مرگ و میر در دنیای امروز بیماری‌های قلبی است. استفاده از تکنیک‌های داده‌کاوی برای ایجاد مدل‌های پیشگویی کننده، جهت شناسایی افراد در معرض خطر برای کاهش عوارض ناشی از بیماری بسیار کمک کننده است. در این پژوهش با استفاده از درخت تصمیم C4.5 به روش‌های پیشگیری و تشخیص این بیماری پرداخته می‌شود.
روش: این پژوهش از نوع کاربردی و توصیفی میباشد. در این پژوهش از داده‌های استاندارد UCI و مجموعه داده Cleveland استفاده نمودیم. این پایگاه داده شامل 297 رکورد میباشد. تجزیه و تحلیل به کمک نرم‌افزار Weka با بهکارگیری متدولوژی CRISP3 انجام شده است. در بخش مدل‌سازی درخت تصمیم C4.5 با بهکارگیری متغیرهای ورودی و تعیین متغیر هدف ایجاد شد.
نتایج: با توجه به مدل استفاده شده مشخص شد که به ترتیب متغیرهای سطح بالای کلسترول، جنسیت، سن بالا، بالا بودن ماکزیمم ضربان قلب، اسکن تالیوم بالاتر از 3 و نوار قلب غیرنرمال بیشترین تأثیر را در ابتلا به بیماری عروق کرونر قلبی دارا هستند. همچنین به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده است که می‌تواند به عنوان الگویی در جهت پیشگویی احتمال ابتلا افراد به بیماری عروق کرونر قلبی استفاده شود. صحت مدل ایجاد شده با استفاده از درخت تصمیم بیش از 80 درصد بوده است.
نتیجه‌گیری: با توجه به محاسبات انجام شده، نرخ دسته‌بندی برابر با 72/6% و دقت الگوریتم C4.5 برابر با 80/2% بهدست آمد که در مقایسه با نتایج مطالعات انجام شده در حوزه داده‌کاوی بیماری قلبی، دقت به دست آمده الگوریتم پیشنهادی قابل قبول است.
روش: این پژوهش از نوع کاربردی و توصیفی میباشد. در این پژوهش از داده‌های استاندارد UCI و مجموعه داده Cleveland استفاده نمودیم. این پایگاه داده شامل 297 رکورد میباشد. تجزیه و تحلیل به کمک نرم‌افزار Weka با بهکارگیری متدولوژی CRISP3 انجام شده است. در بخش مدل‌سازی درخت تصمیم C4.5 با بهکارگیری متغیرهای ورودی و تعیین متغیر هدف ایجاد شد.
نتایج: با توجه به مدل استفاده شده مشخص شد که به ترتیب متغیرهای سطح بالای کلسترول، جنسیت، سن بالا، بالا بودن ماکزیمم ضربان قلب، اسکن تالیوم بالاتر از 3 و نوار قلب غیرنرمال بیشترین تأثیر را در ابتلا به بیماری عروق کرونر قلبی دارا هستند. همچنین به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده است که می‌تواند به عنوان الگویی در جهت پیشگویی احتمال ابتلا افراد به بیماری عروق کرونر قلبی استفاده شود. صحت مدل ایجاد شده با استفاده از درخت تصمیم بیش از 80 درصد بوده است.
نتیجه‌گیری: با توجه به محاسبات انجام شده، نرخ دسته‌بندی برابر با 72/6% و دقت الگوریتم C4.5 برابر با 80/2% بهدست آمد که در مقایسه با نتایج مطالعات انجام شده در حوزه داده‌کاوی بیماری قلبی، دقت به دست آمده الگوریتم پیشنهادی قابل قبول است.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
