فصلنامه علمی- پژوهشی علوم پیراپزشکی وتوانبخشی

فصلنامه علمی- پژوهشی علوم پیراپزشکی وتوانبخشی

پیشگویی مدل ریسک فاکتورهای فیبریلاسیون دهلیزی و بیماری عروق کرونر با استفاده از الگوریتم های داده کاوی

نوع مقاله : مقاله پژوهشی

نویسندگان
آرزو زینلی 1
علی اصغر رستگاری 2
رامش منجمی 3
حامد خدادادی 4
1 دانشجوی دکتری فیزیولوژی جانوری، گروه زیست شناسی، دانشگاه آزاد اسلامی واحد فلاورجان، اصفهان، ایران
2 استادیار گروه بیوشیمی سلولی مولکولی، دانشگاه آزاد اسلامی واحد فلاورجان، اصفهان، ایران
3 استادیار گروه زیست شناسی، دانشگاه آزاد اسلامی واحد فلاورجان، اصفهان، ایران
4 استادیار گروه مهندسی برق، دانشگاه آزاد اسلامی واحد خمینی شهر، اصفهان، ایران
10.22038/jpsr.2023.68591.2443
چکیده
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 مؤثر 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  (11/5،71/87)، 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 تأثیر 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.
کلیدواژه‌ها
یماری قلبی
بیماری عروق کرونر
آریتمی قلبی
شبکه عصبی
ماشین بردار پشتیبان
درخت تصمیم
  1. Safdari R, Ghazi Saeedi M, Gharooni M, Nasiri M, Argi G. Comparing performance of decision tree and neural network in predicting myocardial infarction. Journal of Paramedical Sciences & Rehabilitation 2014; 3(2): 26-35. [Persian]
  2. Shahid AH, Singh MP. A novel approach for coronary artery disease diagnosis using hybrid particle swarm optimization based emotional neural network. Biocybernetics and Biomedical Engineering 2020; 40(4):1568-1568.
  3. Ilayaraja M, Meyyappan T. Efficient data mining method to predict the risk of heart diseases through frequent itemsets. Procedia Computer Science. 2015; 1(70): 586-592.
  4. Alonso A, Krijthe BP, Aspelund T, Stepas KA, et al. Simple risk model predicts incidence of atrial fibrillation in a racially and geographically diverse population: the CHARGE‐AF consortium. JAm Heart Assoc 2013; 2(2): e000102.
  5. Bahrami B, Shirvani MH. Prediction and diagnosis of heart disease by data mining techniques. Journal of Multidisciplinary Engineering Science and Technology (JMEST) 2015; 2(2): 164-168.
  6. Yaribeygi H, Taghipour H, Taghipour H. Prevalence of cardiovascular risk factors in patients undergoing CABG: brief report. Med J 2014; 72(8): 570-574. [Persian]
  7. Daraei A, Hamidi H. An efficient predictive model for myocardial infarction using cost-sensitive j48 model. Iranian Journal of public health 2017;46(5): 68.
  8. Murakami N, Tanno M, Kokubu N, Nishida J, et al. Distinct risk factors of atrial fibrillation in patients with and without coronary artery disease: a cross-sectional analysis of the BOREAS-CAG Registry data. Open Heart 2017; 4(1): e000573.
  9. Sharifi M. Computational approaches to understand the adverse drug effect on potassium, sodium and calcium channels for predicting TdP cardiac arrhythmias. J Mol Graph Model 2017; 76: 152-160.
  10. Vijayashree J, Sriman Narayana Iyengar NC. Heart disease prediction system using data mining and hybrid intelligent techniques: A review. International Journal of Bio-Science and Bio-Technology 2016; 8(4):139-148.
  11. Yadav C, Lade S, Suman MK. Predictive analysis for the diagnosis of coronary artery disease using association rule miningInternational Journal of Computer Applications 2014; 87(4): 0975-8887.  
  12. Veisi H, Qaidsharf HR, Ebrahimi M. Improving the efficiency of machine learning algorithms in heart disease diagnosis by optimizing data and features. Soft computing 2019; 8(1): 70-85. [Persian]
  13. Ayatollahi, H., Gholamhosseini L, Salehi M. Comparing the performance of data mining algorithms in predicting coronary artery disease. Journal of Health and Biomedical Informatics 2017; 5(2): 252-264. [Persian]
  14. Kazemi M, Mehdizadeh H, Shiri A. Heart disease forecast using neural network data mining technique. Journal of Ilam University of Medical Sciences 2017; 25(1): 20-32. [Persian]
  15. Mazaheri S, Ashuri M, Bechari Z. Prediction of heart disease treatment method using data mining algorithms. Journal of Payavard Salamat 2017; 11(3); 287-296. [Persian]
  16. Kumar MN, Koushik, KVS, Deepak K. Prediction of heart diseases using data mining and machine learning algorithms and tools. International Journal of Scientific Research in Computer Science, Engineering and Information Technology 2018; 3(3), 887-898.
  17. Salve I, Kumar D, Borikar A. Heart Disease Prediction using Data Mining Techniques. Journal of Algebraic Statistic 2022; 13(3): 2250-2259.
  18. Huang PS, Tseng YH, Tsai CF, Chen J. et al. Artificial Intelligence-Enabled ECG Algorithm for the Prediction and Localization of Angiography-Proven Coronary Artery Disease. IJERPH 2022; 10(2): 10.3390/biomedicines10020394 .
  19. Chen JIZ, Hengjinda P. Early prediction of coronary artery disease (CAD) by machine learning method-a comparative study. IRO Journals 2021; 3(01): 17-33.
  20. Imamovic D, Babovic E, Bijedic N. Prediction of mortality in patients with cardiovascular disease using data mining methods IS(INFOTEH) 2020 (pp. 1-4).
  21. Vindhya L, Beliray PA, Sravani CR, Divya DR. Prediction of Heart Disease Using Machine Learning Techniques. International Journal of Research in Engineering, Science and Management 2020; 3(8): 325-326.
  22. Choi Y, Boo Y. Comparing logistic regression models with alternative machine learning methods to predict the risk of drug intoxication mortality. IJERPH 2020;17(3): 89.
  23. Niaksu O. CRISP data mining methodology extension for medical domain. Baltic Journal of Modern Computing 2015; 3(2): 92.
  24. Mathan K, Kumar PM, Panchatcharam P, Manogaran G, Varadharajan R. A novel Gini index decision tree data mining method with neural network classifiers for prediction of heart disease. Design automation for embedded systems 2018; 22(3): 225-242.
  25. Zabbah I, Hassaanzadeh M. The effect of continuous parameters on the diagnosis of coronary artery disease using artificial neural networks. Journal of Health Chimes 2017; 4(4): 29-39. [Persion]
  26. Choi E, Schuetz A, Stewart WF, Sun J. Using recurrent neural network models for early detection of heart failure onset. Journal of the American Medical Informatics Association 2017; 24(2): 361-370.
  27. Cherfi A, Nouira K, Ferchichi A. Very fast C4. 5 decision tree algorithm. Applied Artificial Intelligence 2018; 32(2): 1-19.
  28. Austin PC, Tu JV, Ho JE, Levy D, Lee DS. Using methods from the data-mining and machine-learning literature for disease classification and prediction: a case study examining classification of heart failure subtypes. Journal of clinical epidemiology 2013; 66(4): 398-407.
  29. Rani KU. Analysis of heart diseases dataset using neural network approach. IJDKP 2011; 1(5):1-8.
  30. Mazaheri S, Ashoori M, Bechari Z. A model to predict Heart disease treatment using data mining. Journal of Payavard Salamat 2017; 11(3): 287-296. [Persion]
  31. Karimian B, Khadem Watan K, Seyed Mohammadzadeh MH, Alinejad V, et al. Investigating the relationship between the severity of coronary artery disease with uric acid and Fetuin A in patients undergoing coronary angiography. Journal of Medical Sciences Studies 2014; 26 (8): 671-663.
  32. Sabbagh Gol H. Detection of Coronary Artery Disease Using C4.5 Decision Tree .Journal of Health and Biomedical Informatics Medical Informatics Research Center 2017; 3(4): 287-299. [Persian]
  33. Alizadehsani R, Habibi J, Hosseini MJ, Mashayekhi H, et al. A data mining approach for diagnosis of coronary artery disease. Computer methods and programs in biomedicine 2013; 11(1):52-61. [Persian]
فصلنامه علمی- پژوهشی علوم پیراپزشکی وتوانبخشی
دوره 12، شماره 1
بهار 1402
صفحه 42-52