شماره ركورد
9914
پديد آورنده
عليرضا صادق بهرامي
عنوان
ارائه مدلي بر اساس الگوريتمهاي يادگيري ماشين به منظور پيشبيني بيماري قلبي عروقي به همراه مطالعه موردي
مقطع تحصيلي
كارشناسي
رشته تحصيلي
مهندسي صنايع
سال فارغ التحصيلي
1404
استاد راهنما
دكتر فرناز برزين پور
دانشجوي وارد كننده اطلاعات
عليرضا صادق بهرامي
تاريخ ورود اطلاعات
1404/08/05
دانشكده
مهندسي صنايع
عنوان به انگليسي
Presenting a model based on machine learning algorithms to predict cardiovascular disease along with a case study
چكيده
بيماريهاي قلبي يكي از مهمترين علل مرگومير در جهان به شمار ميروند و سالانه ميليونها نفر را تحت تأثير قرار ميدهند. تشخيص بهموقع و دقيق اين بيماريها نقش تعيينكنندهاي در كاهش عوارض، هزينههاي درمان و افزايش كيفيت زندگي بيماران دارد. با پيشرفت فناوريهاي هوش مصنوعي و يادگيري ماشين، امكان تحليل دادههاي پزشكي بهصورت هوشمند فراهم شده است و اين امر ميتواند بهعنوان ابزاري مؤثر در تصميمگيري باليني مورد استفاده قرار گيرد. در اين پژوهش با هدف توسعه مدلي هوشمند براي پيشبيني ابتلا به بيماري قلبي، از مجموعه داده استاندارد و معتبر كليولند از سايت كگل استفاده شده است. اين مجموعه داده شامل اطلاعات 303 بيمار با 14 ويژگي باليني و پاراكلينيكي ميباشد كه متغيرهايي نظير سن، جنسيت، فشار خون، سطح كلسترول، نوع درد قفسه سينه، نتايج نوار قلب، ميزان قند خون ناشتا، وضعيت عروق كرونري و ميزان تغييرات بخش ST در تست ورزش را در بر ميگيرد.
در مرحله نخست، دادهها مورد پيشپردازش قرار گرفتند؛ مقادير گمشده شناسايي و اصلاح شدند، دادههاي طبقهاي كدگذاري و ويژگيهاي عددي نرمالسازي گرديدند تا مدلها بتوانند با كيفيت بهتري آموزش ببينند. سپس چندين الگوريتم يادگيري ماشين شامل رگرسيون لجستيك، الگوريتم K-نزديكترين همسايه، ماشين بردار پشتيبان، درخت تصميم، جنگل تصادفي و روش تقويتي گراديان براي پيشبيني احتمال ابتلا به بيماري قلبي مورد استفاده و مقايسه قرار گرفتند.
نتايج حاصل از ارزيابي مدلها نشان داد كه الگوريتمهاي تجميعي، بهويژه گراديان بوستينگ و جنگل تصادفي، عملكرد بسيار بهتري نسبت به ساير روشها داشتهاند و توانستهاند به دقتي بالاتر از 93 درصد دست يابند. تحليل اهميت ويژگيها نيز بيانگر آن بود كه عواملي مانند نوع درد قفسه سينه، تعداد رگهاي اصلي گرفتهشده، وضعيت خونرساني و افت بخش ST از مهمترين شاخصها در پيشبيني بيماري قلبي هستند.
به طور كلي، نتايج اين پژوهش نشان ميدهد كه استفاده از روشهاي يادگيري ماشين ميتواند به عنوان ابزاري كمكي براي پزشكان در تشخيص سريعتر و دقيقتر بيماريهاي قلبي مورد استفاده قرار گيرد. توسعه چنين مدلهايي، بهويژه در سيستمهاي پشتيبان تصميمگيري باليني، ميتواند گامي مؤثر در جهت ارتقاي كيفيت خدمات بهداشتي و درماني و كاهش مرگومير ناشي از بيماريهاي قلبي باشد.
كليدواژه ها
بيماري قلبي، يادگيري ماشين، دادههاي پزشكي، پيشبيني بيماري، الگوريتمهاي يادگيري ماشين