مقایسه عملکرد الگوریتم‌های داده‌کاوی در پیش‌بینی بیماری‌های عروق کرونر قلبی با استفاده از داده‌های مطالعه سلامت مردم یزد (یاس)

مقدمه: بیماری‌های قلبی - عروقی اصلی‌ترین عامل مرگ و میر در سراسر جهان بوده و یکی از ده دلیل اول مرگ در 15 سال اخیر می‌باشد. بیماری‌های ایسکمیک قلبی نوعی بیماری قلبی است که به دلیل تنگ شدن شریان‌های تغذیه‌کننده بافت قلب (عروق کرونر) ایجاد می‌شود. هدف از این پژوهش مقایسه الگوریتم‌های داده کاوی در پیش‌بینی زودهنگام بیماری قلبی با توجه به علائم اولیه بیمار می‌باشد.روش بررسی: در این پژوهش از داده‌های فاز اول مطالعه سلامت مردم یزد (یاس) که شامل 10000 شرکت‌کننده و با استفاده از 21 ویژگی آنان مانند سن، نوع درد قفسه سینه، میزان قند خون، وضعیت شغلی، مصرف الکل، شاخص توده بدنی و غیره که از سال 1393 تا کنون جمع‌آوری شده بود استفاده شد.نتایج: تجزیه و تحلیل داده‌ها جمع‌آوری شده با استفاده از الگوریتم‌های random forest و naive bayes، دقت 74/51 درصد را در پیش‌بینی بیماری کرونر قلبی نشان داد. نتیجه‌گیری: می‌توان نتیجه گرفت که با الگوریتم‌های ساده فوق می‌توان پیش‌بینی بیماری ایسکمیک قلب را با دقت بالا انجام داده و با غربالگری زود‌هنگام و درمان به‌موقع در مراحل اولیه باعث کاهش مرگ و میر مرتبط شد.

comparison of data mining algorithms in prediction of coronary artery diseases using yazd health study (yahs) data

introduction: cardiovascular diseases, including ischemic heart disease (ihd), are one of the main cause of mortality and morbidity worldwide and are currently one of the top ten causes of death. ischemic heart disease is a type of heart disease that is caused by narrowing of arteries feeding the heart itself. the present study aimed to use data mining algorithms in screening and early prediction of ihd according to the patient’s characteristics and risk factors.methods: in this research, data of the first phase of yazd health study (yahs), focusing on 21 characteristics of 10,000 participants aged 20-70 years such as age, type of chest pain, blood sugar level, body mass index, employment status, etc. which have been collected since 2013 were analyzed. results: data analysis was conducted using random forest and naive bayes algorithms which showed 74.51% accuracy in predicting ihd.conclusion: the study findings revealed that via applying random forest and naive bayes algorithms, ischemic heart disease can be predicted with high accuracy. moreover, early screening and timely treatment in the early stages of disease may reduce mortality and morbidity.corresponding author: seyede fatemah nooraniview orcid in profileyou can search for this author in pubmed     google scholar profile