fa بهینه‌سازی ماشین بردار پشتیبان با الگوریتم GBC جهت پیش‌بینی ارتباط آنفارکتوس قلبی و سرطان: مطالعه موردی هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="color:#000000;"><span style="font-family:tahoma;"><strong>مقدمه:</strong> آگاهی از ابتلا به سرطان، احتمال بروز اختلالات عصبی و استرس در بیمار را افزایش می‌دهد. همچنین استرس خطر بروز آنفارکتوس قلبی را بیشتر می‌کند. مطالعه حاضر بر پایه الگوریتم <span dir="LTR">GBC</span>، به بررسی احتمال بروز سکته قلبی در بیماران سرطانی پرداخت.<br> <strong>روش:</strong> اطلاعات بیماران از پایگاه داده بیمارستان فوق تخصصی شهید صدوقی یزد جمع‌آوری شد. پرونده پزشکی 1679 بیمار مبتلا به آنفارکتوس قلبی مورد بررسی قرار گرفت که از این تعداد، 81 بیمار مبتلا به سرطان بودند. در فرآیند انتخاب ویژگی توسط مدل پیشنهادی، اگر ابتلا به سرطان به عنوان ویژگی تأثیرگذار شناسایی شود، آنگاه ارتباط بین سرطان و آنفارکتوس قلبی معنادار خواهد بود.<br> <strong>نتایج</strong><strong>:</strong> با استفاده از مدل پیشنهادی، ویژگی ابتلا به سرطان برای پیش‌بینی امکان وجود احتمال بروز سکته قلبی انتخاب شد که نشان‌دهنده وجود رابطه معنادار بین این دو ویژگی در بیماران مستعد عارضه قلبی می‌باشد. نتایج نشان داد با انتخاب ویژگی ابتلا به سرطان، دقت پیش&shy;بینی مدل پیشنهادی برابر با 0/91 بود.<br> <strong>نتیجه&shy; گیری:</strong> با استفاده از انتخاب ویژگی ابتلا به سرطان، مدل پیشنهادی نسبت به سایر مدل‌های مورد مقایسه دارای حداقل میزان خطا و بیش‌ترین دقت و صحت در پیش‌بینی آنفارکتوس قلبی است. روش نایو بیز، حداکثر میزان خطا و کم‌ترین دقت را دارا است. نتایج شبیه‌سازی حاکی از احتمال بروز سکته قلبی، در بیماران مستعد عارضه قلبی، پس از خبردار شدن از بیماری سرطان طی ماه‌های اولیه خود است.</span><br> &nbsp;</span></div> <div style="text-align: justify;"><strong>Introduction:</strong> Awareness of cancer increases the probability of neurotic disorders and stress in the patient. Also, stress increases the risk of myocardial infarction. The present study aimed to determine the probability of a heart attack in cancer patients based on the GBC algorithm.<br> <strong>Method:</strong> In this study, data were collected from the database of Shahid Sadoughi subspecialty hospital in Yazd. The medical records of 1679 patients with heart attack were studied, of which 81 ones belonged to patients with cancer. In the process of selecting features by the proposed model, if cancer is identified as an effective feature, then the relationship between cancer and cardiac infarction will be meaningful.<br> <strong>Results:</strong> Using the proposed model, the cancer feature was selected to predict the probability of heart attack, which indicated a significant relationship between these two characteristics in patients who were vulnerable to cardiac disease. The predictive accuracy of the proposed model was 0.91<br> <strong>Conclusion</strong>: By choosing the cancer feature, the proposed model compared to other models has the least error rate and the most accuracy in predicting myocardial infarction. Naive bias method has maximum error rate and minimum accuracy. The simulation results indicate that in patients who are vulnerable to cardiac disease, after being diagnosed with cancer during the early months, heart attack is possible.<br> &nbsp;</div> سرطان, آنفارکتوس قلبی, GBC, ماشین بردار پشتیبان, افزایش دقت پیش‌بینی Cancer, Heart attack, GBC algorithm, Support Vector Machine, Increase precision of prediction 361 372 http://jhbmi.ir/browse.php?a_code=A-10-425-4&slc_lang=fa&sid=1 Mehdi Nooshyar مهدی نوشیار nooshyar@uma.ac.ir 10031947532846005975 10031947532846005975 Yes دکتری تخصصی مهندسی برق، دانشیار، گروه کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه محقق اردبیلی، اردبیل، ایران Mohammad Momeni محمد مومنی mohamad.momeny@stu.yazd.ac.ir 10031947532846005976 10031947532846005976 No دانشجوی دکتری مهندسی کامپیوتر، گروه کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران Sorayya Gharravi ثریا غراوی gharavi20@gmail.com 10031947532846005977 10031947532846005977 No کارشناسی ارشد مهندسی کامپیوتر نرم افزار‌، مربی، دانشکده مهندسی کامپیوتر و برق، گروه کامپیوتر، مجتمع آموزش عالی اسفراین، خراسان شمالی، اسفراین، ایران Fatemeh Hourali فاطمه حورعلی Hourali@esfarayen.ac.ir 10031947532846005978 10031947532846005978 No Ph.D., in Electrical Engineering, Associate Professor, Computer Dept., School of Electrical and Computer Engineering, University of Mohaghegh Ardabili, Ardabil, Iran کارشناسی ارشد مهندسی کامپیوتر نرم افزار‌، مربی، دانشکده مهندسی کامپیوتر و برق، گروه برق، مجتمع آموزش عالی اسفراین، خراسان شمالی، اسفراین، ایران