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 بیماری عروق کرونر قلب و فیبریلاسیون دهلیزی با استفاده از الگوریتم‌های ماشین بردار پشتیبان، شبکه عصبی و درخت تصمیم بر اساس عوامل موثر 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  (71/11،87/5)، 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 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.

a simple risk model of the incidence of atrial fibrillation and coronary artery disease ‎using a data mining algorithm: risk factor prediction

purpose:cardiovascular disease is one of the most important causes of death worldwide. using data mining methods to create predictive models to identify people at risk to prevent complications from cardiovascular diseases will be very effective. the aim of this research is to predict the probability of infection in people with coronary heart disease and atrial fibrillation using support vector machine, neural network and decision tree algorithms based on factors affecting the disease.methods:this analytical research includes 300 records. the information required for this study was collected in 1400 using the records of patients admitted to chamran and khurshid hospitals in isfahan. for data analysis, the information includes laboratory, demographic and family history sections using the crisp method, the cross industry standard process for data mining (crisp). decision trees, neural networks and support vector machines are also used in the modeling section.results:the sensitivity and specificity in the neural network data mining algorithm  are 87.5 and 71.11 respectively, 92.85 and 80 in the decision tree algorithm and 88.88 and 75 in the support vector machine. therefore, the decision tree algorithm has a better performance for predicting the probability of heart and coronary artery diseases and atrial fibrillation. also it was found that stress, high bmi, high blood pressure and type of job had the greatest effect on the occurrence of heart and coronary artery diseases and cardiac arrhythmias.conclusion:in the current study, the decision tree has the highest performance, so it can be used to determine the probability of coronary heart and vascular problems and atrial fibrillation.