پیشگویی مدل ریسک فاکتورهای فیبریلاسیون دهلیزی و بیماری عروق کرونر با استفاده از الگوریتم های داده کاوی

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 پیش بینی احتمال عفونت در افراد مبتلا به بیماری عروق کرونر قلب و فیبریلاسیون دهلیزی با استفاده از الگوریتم های ماشین بردار پشتیبان، شبکه عصبی و درخت تصمیم بر اساس عوامل موثر بر بیماری است.

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 مدل سازی از درخت های تصمیم، شبکه های عصبی و ماشین های بردار پشتیبان استفاده می شود.

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 تاثیر را در بروز بیماری های قلبی و عروق کرونر و آریتمی های قلبی داشتند.

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.