دوره 8، شماره 2 - ( 6-1400 )
جلد 8 شماره 2 صفحات 207-193 |
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:
Saadi P, Zeinalnezhad M, Movahedi Sobhani F. Modeling and Predicting the Risk of Coronary Artery Disease Using Data Mining Algorithms. jhbmi 2021; 8 (2) :193-207
URL: http://jhbmi.ir/article-1-592-fa.html
URL: http://jhbmi.ir/article-1-592-fa.html
سعدی پریا، زینال نژاد معصومه، موحدی سبحانی فرزاد. مدل‌سازی و پیش‌بینی احتمال ابتلاء به بیماری قلبی عروق کرونری با استفاده از الگوریتم‌های داده‌کاوی. مجله انفورماتیک سلامت و زیست پزشکی. 1400; 8 (2) :193-207
دکترای مهندسی صنایع، استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
چکیده: (2387 مشاهده)
مقدمه: بیماری قلبی عروق کرونری یکی از شایع‌ترین علت‌های مرگ‌ومیر در بزرگ‌سالان است، درحالی‌که، با تشخیص سریع و دقیق، درمان به‌موقع و نجات بیمار تا حد زیادی امکان‌پذیر است. از این‌رو، هدف این پژوهش شناسایی فاکتورهای مؤثر در ابتلاء به این بیماری و ارائه مدلی داده‌محور جهت کمک به پزشکان در پیش‌بینی و تشخیص آن است.
روش: پژوهش حاضر از نوع تحقیق کاربردی-توسعه‌ای است که در آن 2038 رکورد گردآوری شده در مدت 5 سال در بیمارستان قلب شهید رجایی تهران، طی عملیات پیش‌پردازش و آماده‌سازی، با استفاده از نمونه‌برداری تصادفی متوازن، به 1000 رکورد، 500 بیمار و 500 فرد سالم، کاهش یافت. مرور ادبیات تحقیق، مشاوره با پزشکان متخصص، و وزن‌دهی با استفاده از روش کای‌دو، منجر به تعیین ویژگی‌ها شد. مدل‌ها با استفاده از الگوریتم‌های ماشین بردار پشتیبان، شبکه عصبی و جنگل تصادفی در محیط نرم‌افزارهای رپیدماینر و پایتون ایجاد شدند.
نتایج: در میان 35 متغیر شناسایی شده، مهم‌ترین ویژگی‌ها عبارت‌اند از بیماری دریچه‌های قلبی، درد قفسه سینه، کلسترول بد، اختلال حرکت دیواره‌ای قلب، تری‌گلیسیرید، سدیم، پتاسیم، فشارخون و وزن. معیار F، دقت، صحت، و بازخوانی، به ترتیب، برای الگوریتم جنگل تصادفی برابر با 82/11%، 81/40%، 79/07%، 85/40% و نرخ خطای مدل 18/6% محاسبه شد.
نتیجه‌گیری: جنگل تصادفی با دقت قابل قبولی احتمال ابتلاء به بیماری قلبی عروق کرونری را پیش‌بینی نمود. در مقایسه مدل‌ها، به علت زیاد بودن تعداد گره‌های ورودی، خطای مدل شبکه عصبی، 23/6%، نسبتاً بیشتر بود.
روش: پژوهش حاضر از نوع تحقیق کاربردی-توسعه‌ای است که در آن 2038 رکورد گردآوری شده در مدت 5 سال در بیمارستان قلب شهید رجایی تهران، طی عملیات پیش‌پردازش و آماده‌سازی، با استفاده از نمونه‌برداری تصادفی متوازن، به 1000 رکورد، 500 بیمار و 500 فرد سالم، کاهش یافت. مرور ادبیات تحقیق، مشاوره با پزشکان متخصص، و وزن‌دهی با استفاده از روش کای‌دو، منجر به تعیین ویژگی‌ها شد. مدل‌ها با استفاده از الگوریتم‌های ماشین بردار پشتیبان، شبکه عصبی و جنگل تصادفی در محیط نرم‌افزارهای رپیدماینر و پایتون ایجاد شدند.
نتایج: در میان 35 متغیر شناسایی شده، مهم‌ترین ویژگی‌ها عبارت‌اند از بیماری دریچه‌های قلبی، درد قفسه سینه، کلسترول بد، اختلال حرکت دیواره‌ای قلب، تری‌گلیسیرید، سدیم، پتاسیم، فشارخون و وزن. معیار F، دقت، صحت، و بازخوانی، به ترتیب، برای الگوریتم جنگل تصادفی برابر با 82/11%، 81/40%، 79/07%، 85/40% و نرخ خطای مدل 18/6% محاسبه شد.
نتیجه‌گیری: جنگل تصادفی با دقت قابل قبولی احتمال ابتلاء به بیماری قلبی عروق کرونری را پیش‌بینی نمود. در مقایسه مدل‌ها، به علت زیاد بودن تعداد گره‌های ورودی، خطای مدل شبکه عصبی، 23/6%، نسبتاً بیشتر بود.
فایل صوتی [MP3 3992 KB] (84 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
