پیش‌بینی فشارخون بالا در کودکان دبستانی با استفاده از ترکیب روش‌های یادگیری ماشین

مقدمه: شیوع فشار خون بالا در کودکان رو به افزایش است و این عارضه مهم‌ترین عامل خطر برای بیماری‌های قلبی -عروقی در سنین بالاتر به شمار می‌رود. تشخیص به‌موقع فشار خون بالا و کنترل آن می‌تواند جلوی پیشرفت آن را گرفته و پیامدهای ناشی از آن را کاهش دهد. روش‌های یادگیری ماشین می‌توانند به پیش‌بینی به موقع این عارضه کمک کرده و باعث کاهش هزینه و زمان گردند. این مطالعه با هدف ارائه‌ مدلی مبتنی بر ترکیب روش‌های یادگیری ماشین برای تشخیص و پیش‌بینی دقیق‌تر فشار خون کودکان دبستانی انجام شد. روش: این مطالعه از نوع کاربردی-توسعه‌ای بوده که با استفاده از اطلاعات 1287 نفر از کودکان دبستانی 7 تا 13 ساله‌‌ شهر کاشمر انجام شده است. پس از پیش پردازش داده‌ها، برای تشخیص دقیق‌تر کودکان مبتلا به فشار خون بالا نتایج خروجی پنج روش‌ یادگیری ماشین متداول در تشخیص بیماری‌ها، شامل درخت تصمیم، بیزین ساده، نزدیکترین همسایه‌ها، شبکه عصبی مصنوعی و ماشین بردار پشتیبان با استفاده از روش رای‌گیری اکثریت وزن‌دار ترکیب می‌شوند. نتایج: نتایج نشان داد که دقت (accuracy)، حساسیت (sensitivity) و ویژگی (specificity) در مدل پیشنهادی به ترتیب 90/31، 80/65 و 93/54 درصد بوده و در مقایسه با مطالعات مشابه، عملکرد بهتری دارد. نتیجه‌گیری: مدل پیشنهادی بهتر می‌تواند پیش‌بینی و تشخیص فشار خون بالا در کودکان را انجام داده و باعث بهبود دقت و کاهش میزان اشتباه گردد. این مدل می‌تواند به عنوان یک ابزار مفید و زودهنگام در تشخیص فشار خون بالا در کودکان، از پیامدها و هزینه‌های ناشی از این عارضه بکاهد و گام بزرگی در مبارزه با فشار خون بالا باشد.

hypertension prediction in primary school students using an ensemble machine learning method

introduction: the prevalence of hypertension in children is increasing, and this complication is considered the most important risk factor for cardiovascular diseases in older age. early detection and control of hypertension can prevent its progress and reduce its consequences. machine learning methods can help predict this complication promptly and reduce cost and time. this study aimed to provide a model based on ensemble machine learning methods to more accurately predict the hypertension of primary school children. method: this is an applied developmental study that was conducted using the information of 1287 primary school children aged 7-13 years in kashmar city. after data preprocessing, to achieve a more accurate diagnosis of hypertension in children, the output results of five common machine learning methods in disease diagnosis including decision tree, naive bayesian, nearest neighbors, artificial neural network, and support vector machine using weighted majority voting method were combined. results: the results showed that the accuracy, sensitivity, and specificity of the proposed model were 90.31%, 80.65%, and 93.54%, respectively, and compared to similar studies it performed better. conclusion: the proposed model can better predict and diagnose hypertension in children and improve accuracy and reduce the error rate. this model can be a useful and early tool in the diagnosis of hypertension in children, reducing the consequences and costs of this complication and being a big step in the fight against hypertension.