بهبود تشخیص بیماریهای قلبی_عروقی با استفاده از سیستم تصمیم یار هوشمند با رویکرد رایانش مه

بیشترین نوع بیماری‌های قلبی شامل بیماری مادرزادی قلبی، نارسایی قلبی، کاردیومیوپاتی، بیماری روماتیسمی قلب، تنگی ریوی و بیماری عروق کرونر است. تشخیص بیماری های قلبی_ عروقی از طریق علائم ، یک چالش بزرگ در شرایط جهانی فعلی است و اگر به موقع تشخیص داده نشود ، ممکن است عامل مرگ و میر شود. به دلیل دسترسی محدود پزشکان متخصص قلب به مناطق دورافتاده ، یک سیستم پشتیبان تصمیم گیری هوشمند با رویکرد رایانش مه می تواند به عنوان یک راهکار موثر در بهبود تشخیص بیماری های قلبی_ عروقی استفاده شود. هدف این مقاله ارائه یک سیستم تصمیم یار هوشمند به منظور بهبود تشخیص بیماری های قلبی_ عروقی براساس رایانش مه است.در ابتدا ، اطلاعات و پرونده های پزشکی 100 بیمار جمع آوری می شوند. سپس داده‌های ورودی، باید پاکسازی و نرمالسازی شوند و بر اساس الگوریتم‌های استخراج ویژگی، ویژگی‌ها استخراج و انتخاب و وزن دهی می شوند. بعد از آن با استفاده از الگوریتم ماشین بردار پشتیبان ، داده ها طبقه بندی می شوند. نتایج نشان می‌دهد که معیار دقت در روش‌های پیشنهادی بالاتر از مقاله پایه است. در روش پیشنهادی ممتیک-ژنتیک دقت 93 درصد و در روش پیشنهادی گراف کاوی-ژنتیک دقت 91 درصد و در مقاله پایه دقت 86 درصد می‌باشد. روش‌های پیشنهادی توانسته سطح بیشتری را نسبت به مقاله پایه در منحنی roc ارائه شده پوشش دهد. در روش ممتیک-ژنتیک در نقطه صفر مقدار tpr=0.38 بوده و در روش گراف‌کاوی-ژنتیک در نقطه صفر مقدار tpr=0.2 است. درحالیکه در مقاله پایه ،tpr مقدار آن صفر درنظرگرفته شده است. همچنین روش ممتیک-ژنتیک سریع‌تر می تواند به مقدار یک در tpr برسد. نقطه‌ای که به مقدار 1 رسیده است، 0.4 می‌باشد. خطای میانگین مربعات روش‌های پیشنهادی عملکرد بهتری نسبت به مقاله پایه داشته و برای روش ترکیبی ممتیک-ژنتیک و گراف کاوی-ژنتیک مقادیر 11و 15درصد را به خود اختصاص داده است.

improving the diagnosis of cardiovascular diseases using a intelligent decision support system with a fog computing approach

the most common types of cardiovascular diseases include congenital heart disease, heart failure, cardiomyopathy, rheumatic heart disease, pulmonary stenosis, and coronary artery disease. the diagnosis of cardiovascular diseases through symptoms is a major challenge in the current global conditions, and if not diagnosed in a timely manner, it can be a cause of death. due to limited access of cardiac specialists to remote areas, an intelligent decision support system with fog computing approach can be an effective solution to improve the diagnosis of cardiovascular diseases. the aim of this article is to present an intelligent decision support system to enhance the diagnosis of cardiovascular diseases based on fog computing. initially, medical information and records of 100 patients are collected. then, the input data need to be cleaned and normalized, and features are extracted, selected, and weighted using feature extraction algorithms. subsequently, the data is classified using a support vector machine algorithm. the results demonstrate that the accuracy metric in the proposed methods is higher than the baseline article. the proposed memetic-genetic method achieves an accuracy of 93%, while the graph mining-genetic method achieves an accuracy of 91%, compared to the baseline article with an accuracy of 86%. the proposed methods have been able to achieve a higher level of coverage in the roc curve compared to the baseline article. in the memetic-genetic method, the tpr value is 0.38 at the zero point, while in the graph mining-genetic method, the tpr value is 0.2 at the zero point. in contrast, the baseline article considers a tpr value of zero at the zero point. furthermore, the memetic-genetic method can reach a tpr value of one faster. the point where it reaches a value of one is 0.4. the proposed methods outperform the baseline article in terms of mean square error, and for the combined memetic-genetic and graph mining-genetic method, they achieve error values of 11% and 15%, respectively.