مدل پیش بینی بیماری های عروق کرونر قلب با استفاده از داده کاوی داده‌های مطالعه سلامت مردم یزد (یاس)

مقدمه: بیماری های ایسکمیک قلبی یکی از شایع ترین بیماری هایی است که آمار مرگ ومیر بالایی را در جهان به خود اختصاص می دهد. بیماری های ایسکمیک قلب به دنبال تنگ شدن یا بسته شدن شریان های کرونر قلب به وجود می آیند که تامین کننده خون قلب هستند، این امر به آهستگی و به مرور زمان رخ می دهد. شناسایی افراد مستعد به بیماری و تغییر در الگوی زندگی آن ها می تواند سبب کاهش مرگ و میر و باعث افزایش طول عمر گردد.روش بررسی: مطالعه سلامت مردم یزد (یاس) به بررسی سلامت و بیماری های نمونه تصادفی 10000 نفر از مردم یزد در سال های 941393 پرداخته است. این داده ها به علت داشتن ماهیت نامتوازن ابتدا، توسط روش بوت استراپ (bootstrap) متوازن سازی شده ، آنگاه در مرحله آموزش دسته بندها به کار برده شده اند. از دسته بندهای متفاوتی از قبیل شبکه عصبی مصنوعی (artificial neural network)، القای قواعد ((rule inducer ، رگرسیون (regression) و آدابوست (adaboost) جهت ارزیابی روش پیشنهادی با دو سناریو استفاده شده است.نتایج: یافته ها نشان داد که عمل غربالگری افراد مستعد به بیماری های ایسکمیک قلبی با استفاده از تولید نمونه افراد بیمار به روش بوت استراپ و متوازن سازی داده ها امکان پذیر است. این روش بیشترین تاثیر را در افزایش حساسیت دسته بند کشف زیرگروه cn2 دارد. این دسته بند توانایی تشخیص %6/83 از افراد مستعد بیماری را داراست.نتیجه گیری: بنابراین می توان نتیجه گرفت که روش های داده کاوی در غربالگری افراد مستعد بیماری ایسکمیک قلبی کارایی مناسبی دارد و به کمک آن می توان افراد مستعد این بیماری را نسبت به غربالگری سنتی که با مراجعه حضوری افراد به پزشک انجام می شود؛ سریع تر و با هزینه کمتر شناسایی نمود.

The prediction model for cardiovascular disease using Yazd's health study data (YaHS)

Introdution: Ischemic heart disease is one of the most common diseases, which has led to high mortality rates all over the world. This disease is caused by narrowing or blockage of coronary arteries, which are the provider of blood to the heart. Identifying the people susceptible to this disease and bringing changes in their lifestyles has been said to reduce the related mortality rates and increase the patient's longevity.Methods: Yazd people Health Study (YaHS) was conducted on a random sample of 10,000 people living in the city of Yazd, Iran in the years 201415 for a general health and disease survey. These data were first balanced by bootstrapping technique due to their unbalanced nature. Next, classification methods were used in the training phase. Various classifiers, such as artificial neural network, rule inducer, regression, and AdaBoost were used in order to evaluate the proposed method with two scenarios.Results: The results showed that the screening of the people susceptible to ischemic heart disease had the most significant effect on increasing the sensitivity of the discovery classifier of CN2 subgroup through using balanced data by bootstrapping method followed by their analysis for the purpose of producing a sample of the patients. This classifier proved to have the potential for detecting 83.6% of the people susceptible to this disease.Conclusion: Therefore, it can be concluded that data mining methods are effective in screening for susceptible people with ischemic heart disease. This method can be compared with other traditional screening methods in that it is more costeffective and faster.