30663

ارائه مدل يادگيري ماشين جهت پيش‌بيني عوارض قلبي عروقي در بيماران ديابت نوع دو با استفاده از شاخص‌هاي محاسباتي و آزمايشگاهي

كارشناسي ارشد

Machine Learning Model for Prediction of Cardiovascular Diseases in Patients with Type 2 Diabetes Using Calculation Indicators and Laboratory Factors

1400

1402/11/17

فرناز برزين پور

صغرا ربيع زاده

مهندسي صنايع

ديابت به عنوان يك بيماري طولاني‌مدت به طور برجسته‌اي در گسترش آسيب‌هاي جسماني، مرگ و مير و هزينه‌هاي سلامت سهيم است. مسئله¬اي كه بر اهميت شناسايي و مداخله در عوامل خطر بيماري ديابت مي¬افزايد، پيدايش عوارض قلبي عروقي است. افراد مبتلا به ديابت و بيماري¬هاي قلبي عروقي در مقايسه با افرادي كه فقط از عوارض قلبي عروقي رنج ‌مي‌برند 7/1 برابر بيشتر در معرض خطر مرگ هستند؛ بنابراين شناسايي به موقع بيماري قلبي عروقي در بيماران ديابتي در مراحل اوليه بيماري، از اهميت بالايي برخوردار بوده و باعث كاهش هزينه¬هاي مراقبت¬هاي بهداشتي و مرگ و ميرهاي زودرس ‌مي‌شود. در اين تحقيق، با استفاده از داده¬هاي جمع‌آوري شده درمانگاه غدد بيمارستان امام خميني در شهر تهران، اقدام به يافتن مدل پيش‌بيني براي بيماري قلبي عروقي در بيماران مبتلا به ديابت نوع دو با استفاده از تكنيك¬‌هاي يادگيري ماشين پايه و تركيبي شد. براي افزايش عمكرد طبقه‌بندي، ويژگي‌هاي غيرضروري و نامربوط با استفاده از روش الگوريتم فراابتكاري ژنتيك حذف شدند. همچنين به منظور بهبود تفسيرپذيري خروجي جعبه سياه الگوريتم¬هاي يادگيري ماشين، يك فرمول رياضي ارائه شد كه با استفاده از يك رويكرد تكاملي مبتني بر الگوريتم برنامه‌ريزي ژنتيك، قادر به بيان رابطه پيچيده موجود در بين اين شاخص‌ها و ساير عوامل خطر مؤثر در بيماري¬هاي قلبي عروقي در بيماران مبتلا به ديابت براي استفاده عملي در كارآزمايي باليني باشد. نتايج اين تحقيق نشان داد كه الگوريتم جنگل تصادفي-ژنتيك توانسته بهتر از روش¬هاي ديگر، عوارض قلبي عروقي را در بيماران مبتلا به ديابت نوع دو پيش¬بيني كند. همچنين ويژگي¬هايي نظير طول مدت ابتلا به ديابت، سن، سابقه فشارخون، شاخص توده بدني، نسبت دور كمر به دور باسن و كلسترول مفيد خون به عنوان ريسك فاكتورهاي مهم شناسايي شدند. بنابراين مي¬توان گفت همزماني بيماري¬هايي نظير ديابت، فشارخون و چاقي مي¬تواند در تشديد عوارض قلبي عروقي بسيار مؤثر باشد. در نهايت فرمول AVDH با مقدار حساسيت 81/0، كه با استفاده از الگوريتم برنامه¬ريزي ژنتيك ارائه شده است، توانست در مقايسه با ساير شاخص¬هاي محاسباتي شناخته شده در اين حوزه، بهتر عمل كرده و به عنوان يك روش غيرتهاجمي و كاربردي در تشخيص عوارض قلبي عروقي در بيماران مبتلا به ديابت نوع دو به جامعه پزشكي معرفي شود.

1403/01/21

Machine Learning Model for Prediction of Cardiovascular Diseases in Patients with Type 2 Diabetes Using Calculation Indicators and Laboratory Factors

2/5/2025 12:00:00 AM

The significant impact of diabetes as a chronic disease on physical damage, mortality, and healthcare costs. Emphasizing the importance of early identification and intervention in diabetes risk factors, particularly in the development of cardiovascular complications. Individuals with diabetes and cardiovascular diseases face a 7.1 times higher risk of mortality compared to those with only cardiovascular issues. Early identification of cardiovascular complications in diabetic patients is crucial, reducing healthcare costs and premature deaths. In this study, utilizing data collected from the endocrine clinic of Imam Khomeini Hospital in Tehran, an attempt was made to develop a predictive model for cardiovascular disease in patients with type 2 diabetes using basic and combined machine learning techniques. To enhance classification performance, irrelevant features were eliminated using a genetic algorithm-based method for removing non-essential variables. Furthermore, to improve the interpretability of machine learning algorithm outputs, a mathematical formula was introduced. This formula, derived through an evolutionary approach based on genetic programming, aims to articulate the complex relationship among these indicators and other influential risk factors in cardiovascular diseases in diabetic patients, making it practical for use in clinical trials. Results indicate that the Random Forest-Genetic Algorithm outperformed other methods in predicting cardiovascular complications in type 2 diabetic patients. Relevant risk factors such as diabetes duration, age, blood pressure history, body mass index, waist-to-hip ratio, and cholesterol were identified. The simultaneous presence of diseases like diabetes, hypertension, and obesity can significantly exacerbate cardiovascular complications. The proposed formula, developed through genetic programming, demonstrated superior sensitivity (81.0%) compared to other known metrics in the field, serving as a non-invasive and practical diagnostic tool for cardiovascular complications in type 2 diabetic patients.

ديابت نوع دو , بيماري قلبي عروقي , يادگيري ماشين , الگوريتم فراابتكاري , فرمول رياضي

Type 2 diabetes , Coronary Artery Disease , Machine Learning , Meta-heuristic algorithm , mathematical formula

Zahra Zangane Madar

Dr. Barzinpoor