استفاده از روش‌های یادگیری ماشین در افتراق بیماری‌های سندروم کرونری حاد

زمینه: سندروم کرونری حاد فرآیندی ناپایدار و پویا است که شامل آنژین قفسه صدری ناپایدار، انفارکتوس میوکارد با بالا رفتن قطعه st و انفارکتوس میوکارد بدون بالا رفتن قطعه st است. گرچه با پیشرفت‌های فناورانه انجام‌شده در سال‌های اخیر، تشخیص بیماری‌های قلبی نسبت به گذشته آسان‌تر شده است، کماکان افتراق بین بیماری‌های عروق کرونر در ساعت‌های اولیه بستری بسیار بحث برانگیز است. هدف از این پژوهش، تشخیص بیماری‌های سندروم کرونری حاد با صحت بالا با استفاده از روش‌های یادگیری ماشین است. این روش‌ها زیرمجموعه‌ای از هوش مصنوعی و شامل الگوریتم هایی است که امکان یادگیری را برای رایانه فراهم کرده و نقش مهمی در تصمیم‌‌های درمانی مناسب دارد.روش‌ها: در این مطالعه از 1902 بیمار پذیرش‌شده در بیمارستان با تشخیص سندروم کرونری حاد، بر اساس پرسشنامه انجمن قلب اروپا استفاده شده است. برای دسته‌بندی بیماران از درخت تصمیم که یک روش تفسیرپذیر است و برای بالا بردن کارایی الگوریتم از الگوریتم تجمیعی بگینگ استفاده ‌شد. یافته‌ها: عملکرد دسته‌بندها بر اساس صحت محاسبه شده از ماتریس درهم‌ریختگی مقایسه شد. صحت درخت تصمیم و بگینگ به‌ترتیب 74/91 و 53/92 درصد به‌دست آمد. نتیجه‌گیری: روش‌های تداوم روش‌ها علاوه بر توانایی بالا در تشخیص بیماری‌های سندروم کرونری حاد، با در نظر گرفتن ماتریس درهم‌ریختگی به‌دست آمده، تعداد قابل قبولی از افراد را در هر دسته شناسایی کرد.