fa مقایسه عملکرد الگوریتم‌های داده‌کاوی در پیش‌بینی بیماری عروق کرونر داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="color:#000000;"><span style="font-family:Tahoma;"><strong>مقدمه</strong>: بیماری های قلبی- عروقی نخستین علت مرگ در جهان هستند و براساس برآورد سازمان بهداشت جهانی، مرگ ناشی از بیماریهای قلبی تا سال2030 به 23 میلیون مورد افزایش خواهد یافت. از این رو، به نظر میرسد استفاده از الگوریتم های داده کاوی برای پیش بینی بیماری عروق کرونر قلب بسیار کاربردی باشد. هدف از پژوهش حاضر مقایسه عملکرد الگوریتم های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM)در پیش بینی بیماری عروق کرونر قلب بود.<br> <strong>روش</strong>: پژوهش حاضر از نوع توصیفی-تحلیلی و نمونه پژوهش شامل تمام بیماران بستری مبتلا&nbsp;به بیماری عروق کرونر قلب در سه بیمارستان تابعه دانشگاه علوم پزشکی آجا بین سالهای 1395 تا 1396 بود. درمجموع، 1324 رکورد با 26 ویژگی مؤثر در این بیماری استخراج و پس از نرمال سازی و پاکسازی داده ها، در نرم افزار SPSS نسخه 23و Excel نسخه 2013 وارد شدند. برای قالب بندی داده ها نیز از نرم افزار داده کاوی 3.2.R3 استفاده گردید.<br> <strong>نتایج</strong>: الگوریتم ماشین بردار پشتیبان با میانگین درصد خطای مطلق پایین تر (112/03)، آماره هاسمر-لمشو بالاتر (16/71)، حساسیت (92/23) و ویژگی (74/42)نسبت به مدل شبکه عصبی دقیق تر بود. همچنین، مساحت زیر منحنی راک در الگوریتم SVM بیشتر از ANN بود و میتوان نتیجه گرفت که این مدل دارای دقت بیشتری است.<br> <strong>نتیجه گیری</strong>: در این مطالعه، الگوریتم SVM نسبت به مدل شبکه عصبی دقت و عملکرد بهتری در پیش بینی بیماری عروق کرونر قلب نشان داد و دارای حساسیت و صحت بالاتری بود. با این حال پیشنهاد می گردد که نتایج مطالعه حاضر با یافته های حاصل از به کارگیری سایر الگوریتم های داده کاوی در پژوهش های آتی مورد مقایسه قرار گیرد.</span></span></div> <div style="text-align: justify;"><span style="color:#000000;"><strong>Introduction</strong>: Cardiovascular diseases are the first leading cause of death worldwide. World health organization has estimated that the morality rate due to heart diseases will mount to 23 million cases by 2030. Hence, the use of data mining algorithms will be useful in predicting coronary artery disease. The objective of the present study was to compare the accuracy of the CAD predictions made by ANN and SVM techniques.<br> <strong>Methods</strong>: The present study was conducted via descriptive-analytical method. The research sample included all CAD patients hospitalized in three hospitals affiliated to AJA University of Medical Sciences from March 2016 to March 2017. Totally, 1324 records with 26 characteristics affecting the disease were extracted and after normalizing, and cleaning of the data, they were entered in SPSS statistics V23.0 & IBM Excel 2013; then, R3.3.2 data mining software was used to format data.<br> <strong>Results</strong>: SVM model with lower MAPE (112.03) and higher Hosmer-lemeshow statistic (16.71), sensitivity (92.23) and specificity (74.42) yielded better fitness of data and provides more accurate prediction than ANN model. On the other hand, since the area under the ROC curve in SVM algorithm was more than that in ANN, it could be concluded that this model had higher accuracy.<br> <strong>Conclusion</strong>: According to the results, SVM algorithm presented higher accuracy and better performance than ANN model and showed higher sensitivity and accuracy. It is suggested that in future studies, the results of the present study be compared with the findings resulted from applying other data mining algorithms.</span></div> بیماری عروق کرونر, الگوریتم‌های داده‌کاوی, شبکه عصبی مصنوعی, ماشین بردار پشتیبان Coronary Artery Disease (CAD), Data mining algorithms, Artificial Neural Network(ANN), Support Vector Machine (SVM) 252 264 http://jhbmi.ir/browse.php?a_code=A-10-411-1&slc_lang=fa&sid=1 Haleh Ayatollahi هاله آیت اللهی ayatollahi.h@iums.ac.ir 10031947532846005919 10031947532846005919 No Department of Health Information Management, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran. دکترای انفورماتیک پزشکی، دانشیار گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Leila Gholamhosseini لیلا غلامحسینی gholamhosseini.l@tak.iums.ac.ir 10031947532846005920 10031947532846005920 Yes PhD Student in Health Information Management, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran. دانشجوی دکترای تخصصی مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Masoud Salehi مسعود صالحی Salehi74@yahoo.com 10031947532846005921 10031947532846005921 No Department of Biostatistics, School of Public Health, Iran University of Medical Sciences, Tehran, Iran. دانشیار آمار زیستی، گروه آمارحیاتی، دانشکده بهداشت عمومی، دانشگاه علوم پزشکی ایران، تهران، ایران