دومین کنگره انفورماتیک پزشکی و هفتمین همایش سلامت الکترونیک
عنوان فارسی مقایسه دقت پیش بینی بیماری عروق کرونر با استفاده از تکنیک های داده کاوی شبکه عصبی مصنوعی و ماشین بردار پشتیبان
چکیده فارسی مقاله زمینه: در حال حاضر، بیماری های قلبی- عروقی نخستین علّت مرگ در سراسر جهان هستند. سازمان بهداشت جهانی برآورد کرده است که میزان مرگ و میر مرتبط با بیماری های قلبی- عروقی تا سال2030 به 23 میلیون مورد افزایش یابد. در ایران نیز، رشد قابل توجهی از بیماری های قلبی در وزارت بهداشت گزارش شده است. از این رو، تکنیک ارزشمندی مانند داده کاوی می تواند به بهبود دقّت و صحّت پیش بینی بیماری عروق کرونر (CAD) کمک نماید. هدف از این پژوهش مقایسه دقّت پیش بینی بیماری عروق کرونری قلب با استفاده از تکنیک های شبکه عصبی مصنوعی(ANN) و ماشین بردار پشتیبان (SVM) در بیمارستان های نظامی بود. مواد و روش ها: پژوهش حاضر از نوع توصیفی- تحلیلی بود. جامعه پژوهش شامل تمام بیماران CAD بستری شده در سه بیمارستان وابسته به دانشگاه علوم پزشکی آجا بین سال های1395 تا 1396 بوده است. درمجموع، 1324 رکورد با 26 ویژگی موثر در بروز CADاز پایگاه های داده این بیمارستان ها استخراج شد. در ابتدا، نرمال سازی، پردازش و پاکسازی داده ها به اتمام رسید و یک پایگاه داده مخصوص برای داده های ایجاد شده درSPSS ورژن 23 و مایکروسافت اکسل 2013 طراحی شد که برای قالب بندی داده ها در نرم افزار داده کاوی R3.3.2مورد استفاده قرار گرفت. نتایج: براساس یافته ها، مهّمترین متغیرهای تاثیرگذار بر ایجاد بیماری کرونری قلب عبارتند از جنس، سن، وزن، شغل، محل سکونت، سابقه خانوادگی، مصرف سیگار، بیماری همراه، میانگین ضربان قلب، میزان تری گلیسیرید، کراتینین خون و درد قفسه سینه. نتایج حاصل از الگوریتم های داده کاوی بیانگر این مطلب بود که مدل SVM با میانگین درصد خطای مطلق پایین تر (03/112) و میزان بالاتر آماره هاسمر- لمشو (71/16) به برازش بهتر داده ها می پردازد. همچنین، با توجه به میزان بالاتر حساسیت (23/92) و ویژگی (42/74) مشخص شد که الگوریتم SVM، تشخیص بیماری عروق کرونری قلب را با دقّت و حساسیت بالاتری نسبت به مدل ANNپیش بینی می کند. در نهایت، با توجه به اینکه مساحت سطح زیر منحنی راک در الگوریتم SVM بیشتر از ANN بود، می توان نتیجه گرفت که این مدل دارای دقّت بیشتری در مقایسه با مدل شبکه عصبی مصنوعی است. نتیجه گیری: براساس یافته های حاصل از این پژوهش، الگوریتم SVM دقّت بیشتری درتشخیص بیماران و غیربیماران دارد و عملکرد بهتری نسبت به مدل شبکه عصبی نشان می دهد. همچنین، مدل SVM نسبت به مدل شبکه عصبی دارای قدرت، حساسیت و صحّت بالاتری بوده و در مجموع طبقه بندی بهتری را برای پیش بینی و تشخیص CAD ارائه کرده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A Comparison between the SVM and ANN Datamining Techniques for predicting Coronary Artery Diseases
چکیده انگلیسی مقاله Background: Currently, cardiovascular diseases (CVDs) are the first leading cause of death worldwide. World health organization has estimated that due to CVDs, the morality rate will mount to 23 million cases by 2030. Similarly, in Iran, a considerable growth of heart disease has been reported by the Ministry of Health. Hence, datamining can help improving the precision and accuracy of Coronary Artery Disease (CAD) predictions. The objective of the study was to compare the accuracy of the CAD predictions made by ANN and SVM techniques. Materials and Methods: The present study was conducted via descriptive-analytical method. The study population included all the CAD patients hospitalized in three hospitals affiliated to AJA University of Medical Sciences between March 2016 and March 2017. Totally, 1324 records with 26 characteristics affecting the CAD incidence were extracted from hospital databases. Initially, normalizing, processing, and cleaning of the data were finished and a database specifically designed for the data was created in SPSS V23.0 & Microsoft Excel 2013 was used to format data to the R3.3.2 datamining software. Subsequently, the characteristics affecting the prediction of the variables were extracted. Results: Based on the findings, the most important variables affecting the CAD incidence included gender, age, weight, job, living place, family history, smoking, associated disease, average heart rate, triglyceride & creatinine level, and chest pain. The results obtained from datamining algorithms indicated that the SVM with lower MAPE (112.03) and higher Hosmer-Lemeshow statistic (16.71) yielded better fitness of data. Furthermore, considering the higher level of sensitivity (92.23) and characteristics (74.42), it was found out that the SVM predicted the CAD with higher strength and sensitivity than ANN. Finally, since the area under the ROC curve in SVM was more than that in ANN, it could be concluded that this model had higher accuracy compared to the ANN model. Conclusion: According to results, the SVM featured higher diagnostic accuracy and exhibited better performance than the ANN. Furthermore, the SVM w::as char::acterized with higher accuracy and it provided a better classification for prediction of CAD.
کلیدواژه‌های انگلیسی مقاله بیماری عروق کرونری, الگوریتم‌های داده‌کاوی, شبکه عصبی مصنوعی, ماشین بردار پشتیبان.
نویسندگان مقاله haleh ayatollahi - department of health information management, school of health management and information sciences, iran university of medical sciences, tehran, iran.

leila gholamhosseini - school of health management and information sciences, iran university of medical sciences, tehran, iran.

masoud salehi - department of biostatistics, school of public health, iran university of medical sciences, tehran, iran.

نشانی اینترنتی http://mieh-2018.modares.ac.ir/browse.php?a_code=A-10-116-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   دوره مرتبط   |   کنفرانس مرتبط   |   فهرست کنفرانس ها