پیشگویی مدل ریسک فاکتورهای فیبریلاسیون دهلیزی و بیماری عروق کرونر با استفاده از الگوریتم های داده کاوی
هدف:مشکلات قلبی عروقی یکی از شایع ترین علل مرگ و میر در سراسر جهان است. استفاده از روش های داده کاوی برای ایجاد مدل های پیش بینی برای شناسایی افراد در معرض خطر برای جلوگیری از عوارض ناشی از بیماری های قلبی عروقی بسیار موثر خواهد بود. انگیزه اصلی این تحقیق پیش‌بینی احتمال عفونت در افراد مبتلا به بیما...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Mashhad university of medical Sciences
2023-05-01
|
| Series: | Journal of Paramedical Science and Rehabilitation |
| Subjects: | |
| Online Access: | https://jpsr.mums.ac.ir/article_22491_bbbc0be9dd4422786de7bd0eff423c16.pdf |
| _version_ | 1827815785738797056 |
|---|---|
| author | آرزو زینلی علی اصغر رستگاری رامش منجمی حامد خدادادی |
| author_facet | آرزو زینلی علی اصغر رستگاری رامش منجمی حامد خدادادی |
| author_sort | آرزو زینلی |
| collection | DOAJ |
| description | هدف:مشکلات قلبی عروقی یکی از شایع ترین علل مرگ و میر در سراسر جهان است. استفاده از روش های داده کاوی برای ایجاد مدل های پیش بینی برای شناسایی افراد در معرض خطر برای جلوگیری از عوارض ناشی از بیماری های قلبی عروقی بسیار موثر خواهد بود. انگیزه اصلی این تحقیق پیش‌بینی احتمال عفونت در افراد مبتلا به بیماری عروق کرونر قلب و فیبریلاسیون دهلیزی با استفاده از الگوریتم‌های ماشین بردار پشتیبان، شبکه عصبی و درخت تصمیم بر اساس عوامل مؤثر بر بیماری است.روش بررسی:این پژوهش از نوع تحلیلی است و پایگاه داده آن شامل 300 رکورد می باشد. اطلاعات مورد نیاز این مطالعه در سال 1400 با استفاده از پرونده بیماران بستری در بیمارستان های چمران و خورشید اصفهان جمع آوری شد. برای تجزیه و تحلیل آن ها، اطلاعات شامل بخش های آزمایشگاهی، دموگرافیک و سابقه خانوادگی است که از روش کریسپ، فرآیندهای استاندارد صنعت متقابل برای داده کاوی (Cross Industry Standard Process for Data Mining; CRISP) استفاده می شود. همچنین در بخش مدل‌سازی از درخت‌های تصمیم، شبکه‌های عصبی و ماشین های بردار پشتیبان استفاده می شود.یافته ها:بر طبق نتایج بدست آمده، حساسیت و ویژگی در الگوریتم داده کاوی شبکه عصبی به ترتیب (11/5،71/87)، در الگوریتم درخت تصمیم (92/85 ، 80) و در ماشین بردار پشتیبان (88/88، 75) بوده اند. لذا الگوریتم درخت تصمیم دارای عملکرد بهتری برای پیش بینی احتمال بیماری های قلبی و عروق کرونر و فیبریلاسیون دهلیزی است. همچنین با توجه به مطالعات انجام شده مشخص شد که استرس، اضافه وزن، فشار خون بالا و نوع شغل بیشترین تأثیر را در بروز بیماری‌های قلبی و عروق کرونر و آریتمی‌های قلبی داشتند.نتیجه گیری:در مطالعه حاضر درخت تصمیم دارای بالاترین عملکرد است لذا می توان از آن برای تعیین احتمال مشکلات کرونری قلب و عروق و فیبریلاسیون دهلیزی استفاده کرد. |
| first_indexed | 2024-03-12T00:05:38Z |
| format | Article |
| id | doaj.art-d88f8f20784449319170b30acf7b9e6a |
| institution | Directory Open Access Journal |
| issn | 2322-5238 2345-2730 |
| language | English |
| last_indexed | 2024-03-12T00:05:38Z |
| publishDate | 2023-05-01 |
| publisher | Mashhad university of medical Sciences |
| record_format | Article |
| series | Journal of Paramedical Science and Rehabilitation |
| spelling | doaj.art-d88f8f20784449319170b30acf7b9e6a2023-09-17T05:10:27ZengMashhad university of medical SciencesJournal of Paramedical Science and Rehabilitation2322-52382345-27302023-05-01121425210.22038/jpsr.2023.68591.244322491پیشگویی مدل ریسک فاکتورهای فیبریلاسیون دهلیزی و بیماری عروق کرونر با استفاده از الگوریتم های داده کاویآرزو زینلی0علی اصغر رستگاری1رامش منجمی2حامد خدادادی3دانشجوی دکتری فیزیولوژی جانوری، گروه زیست شناسی، دانشگاه آزاد اسلامی واحد فلاورجان، اصفهان، ایراناستادیار گروه بیوشیمی سلولی مولکولی، دانشگاه آزاد اسلامی واحد فلاورجان، اصفهان، ایراناستادیار گروه زیست شناسی، دانشگاه آزاد اسلامی واحد فلاورجان، اصفهان، ایراناستادیار گروه مهندسی برق، دانشگاه آزاد اسلامی واحد خمینی شهر، اصفهان، ایرانهدف:مشکلات قلبی عروقی یکی از شایع ترین علل مرگ و میر در سراسر جهان است. استفاده از روش های داده کاوی برای ایجاد مدل های پیش بینی برای شناسایی افراد در معرض خطر برای جلوگیری از عوارض ناشی از بیماری های قلبی عروقی بسیار موثر خواهد بود. انگیزه اصلی این تحقیق پیش‌بینی احتمال عفونت در افراد مبتلا به بیماری عروق کرونر قلب و فیبریلاسیون دهلیزی با استفاده از الگوریتم‌های ماشین بردار پشتیبان، شبکه عصبی و درخت تصمیم بر اساس عوامل مؤثر بر بیماری است.روش بررسی:این پژوهش از نوع تحلیلی است و پایگاه داده آن شامل 300 رکورد می باشد. اطلاعات مورد نیاز این مطالعه در سال 1400 با استفاده از پرونده بیماران بستری در بیمارستان های چمران و خورشید اصفهان جمع آوری شد. برای تجزیه و تحلیل آن ها، اطلاعات شامل بخش های آزمایشگاهی، دموگرافیک و سابقه خانوادگی است که از روش کریسپ، فرآیندهای استاندارد صنعت متقابل برای داده کاوی (Cross Industry Standard Process for Data Mining; CRISP) استفاده می شود. همچنین در بخش مدل‌سازی از درخت‌های تصمیم، شبکه‌های عصبی و ماشین های بردار پشتیبان استفاده می شود.یافته ها:بر طبق نتایج بدست آمده، حساسیت و ویژگی در الگوریتم داده کاوی شبکه عصبی به ترتیب (11/5،71/87)، در الگوریتم درخت تصمیم (92/85 ، 80) و در ماشین بردار پشتیبان (88/88، 75) بوده اند. لذا الگوریتم درخت تصمیم دارای عملکرد بهتری برای پیش بینی احتمال بیماری های قلبی و عروق کرونر و فیبریلاسیون دهلیزی است. همچنین با توجه به مطالعات انجام شده مشخص شد که استرس، اضافه وزن، فشار خون بالا و نوع شغل بیشترین تأثیر را در بروز بیماری‌های قلبی و عروق کرونر و آریتمی‌های قلبی داشتند.نتیجه گیری:در مطالعه حاضر درخت تصمیم دارای بالاترین عملکرد است لذا می توان از آن برای تعیین احتمال مشکلات کرونری قلب و عروق و فیبریلاسیون دهلیزی استفاده کرد.https://jpsr.mums.ac.ir/article_22491_bbbc0be9dd4422786de7bd0eff423c16.pdfیماری قلبیبیماری عروق کرونرآریتمی قلبیشبکه عصبیماشین بردار پشتیباندرخت تصمیم |
| spellingShingle | آرزو زینلی علی اصغر رستگاری رامش منجمی حامد خدادادی پیشگویی مدل ریسک فاکتورهای فیبریلاسیون دهلیزی و بیماری عروق کرونر با استفاده از الگوریتم های داده کاوی Journal of Paramedical Science and Rehabilitation یماری قلبی بیماری عروق کرونر آریتمی قلبی شبکه عصبی ماشین بردار پشتیبان درخت تصمیم |
| title | پیشگویی مدل ریسک فاکتورهای فیبریلاسیون دهلیزی و بیماری عروق کرونر با استفاده از الگوریتم های داده کاوی |
| title_full | پیشگویی مدل ریسک فاکتورهای فیبریلاسیون دهلیزی و بیماری عروق کرونر با استفاده از الگوریتم های داده کاوی |
| title_fullStr | پیشگویی مدل ریسک فاکتورهای فیبریلاسیون دهلیزی و بیماری عروق کرونر با استفاده از الگوریتم های داده کاوی |
| title_full_unstemmed | پیشگویی مدل ریسک فاکتورهای فیبریلاسیون دهلیزی و بیماری عروق کرونر با استفاده از الگوریتم های داده کاوی |
| title_short | پیشگویی مدل ریسک فاکتورهای فیبریلاسیون دهلیزی و بیماری عروق کرونر با استفاده از الگوریتم های داده کاوی |
| title_sort | پیشگویی مدل ریسک فاکتورهای فیبریلاسیون دهلیزی و بیماری عروق کرونر با استفاده از الگوریتم های داده کاوی |
| topic | یماری قلبی بیماری عروق کرونر آریتمی قلبی شبکه عصبی ماشین بردار پشتیبان درخت تصمیم |
| url | https://jpsr.mums.ac.ir/article_22491_bbbc0be9dd4422786de7bd0eff423c16.pdf |
| work_keys_str_mv | AT ậrzwzynly pysẖgwyymdlrysḵfạḵtwrhạyfybrylạsywndhlyzywbymạryʿrwqḵrwnrbạạstfạdhạzạlgwrytmhạydạdhḵạwy AT ʿlyạṣgẖrrstgạry pysẖgwyymdlrysḵfạḵtwrhạyfybrylạsywndhlyzywbymạryʿrwqḵrwnrbạạstfạdhạzạlgwrytmhạydạdhḵạwy AT rạmsẖmnjmy pysẖgwyymdlrysḵfạḵtwrhạyfybrylạsywndhlyzywbymạryʿrwqḵrwnrbạạstfạdhạzạlgwrytmhạydạdhḵạwy AT ḥạmdkẖdạdạdy pysẖgwyymdlrysḵfạḵtwrhạyfybrylạsywndhlyzywbymạryʿrwqḵrwnrbạạstfạdhạzạlgwrytmhạydạdhḵạwy |