23292

ارائه ي مدلي مبتني بر رويكردهاي آماري/ماشين براي پيش بيني سكته ي مغزي

كارشناسي ارشد

بهينه سازي سيستم ها

1397

1399/10/29

دكتر رسول نورالسناء

دكتر كامران حيدري

صنايع

سكته مغزي يكي از معضلات بزرگ بهداشتي، شايع‌ترين و نيز پر عارضه‌ترين بيماري مغز و اعصاب است و همه ساله حدود ميليون‌ها نفر را در سراسر جهان مبتلا مي‌كند. با توجه به رشد روز افزون نرخ مرگ وميرناشي از سكته مغزي و همچنين هزينه هاي سنگيني كه اين عارضه به سازمان‌هاي مراقبت بهداشتي تحميل مي‌كند، همه كشورها پيشگيري از آن را در بالاترين اولويت ها قرار داده اند. با توجه به توسعه بكارگيري تكنيك هاي گوناگون داده كاوي درارائه مدل هاي پيش بيني سكته مغزي شناخت و مقايسه اين روش ها لازم و ضروري به نظر مي‌رسد. مطالعه حاضر در سال 1399 و با هدف ارائه¬ي مدلي مبتني بر رويكردهاي آماري/ماشين براي پيش بيني سكته¬ي مغزي انجام شده است. استفاده از 9 الگوريتم مختلف كه در مقايسه با تحقيق‌هاي پيشين، منجر به دقت بالاتر پيش‌بيني سكته مغزي گرديد، نواوري مطالعه حاضر است. و نيز ا بدين منظور از داده‌هاي يك ‌ديتاست كه شامل داده‌هاي مربوط به 47557 نفر بود، مورد استفاده قرار گرفت. به منظور تجزيه و تحليل داده‌ها از نرم‌افزار رپيدماينر استفاده گرديد. به منظور ارائه مدل پيش‌بيني سكته مغزي، الگوريتم‌هاي "درخت تصميم، نايو بيز، قوانين انجمني، شبكه عصبي، مدل ماشين بردار پشتيبان، رگرسيون لجستيك، كي- نزديكترين همسايه، جنگل تصادفي و مدل تركيبي" مورد استفاده قرار گرفتند. بر اساس يافته‌هاي پژوهش، دقت مدل‌هاي مختلف به شرح زير بود: مدل درخت تصميم (دقت كل= 89/63)، مدل نايو بيز (دقت كل= 88/86)، مدل قوانين انجمني (دقت كل= 02/91)، مدل شبكه عصبي(دقت كل= 02/91)، مدل ماشين بردار پشتيبان (دقت كل= 37/89)، مدل رگرسيون لجستيك (دقت كل= 40/83)، مدل كي- نزديكترين همسايه (دقت كل= 62/84)، مدل جنگل تصادفي (دقت كل= 97/83) و مدل تركيبي كي- نزديكترين همسايه، نايوبيز و قوانين انجمني (دقت كل= 87/92). بر اساس يافته‌هاي پژوهش، مدل‌هاي پيش‌بيني سكته مغزي مبتني بر "شبكه عصبي، درخت تصميم، مدل تركيبي و نايوبيز" داراي بهترين عملكرد بودند.

1399/12/10

Developing a statistical/machine learning model to predict stroke

1/18/2021 12:00:00 AM

Stroke is one of the most important and common neurological diseases and it affects millions of people around the world every year. Due to the increase in death rates due to stroke and also the high costs that this complication imposes on health organizations, all countries have made prevention one of the highest priorities. Considering the development of using different data mining methods in presenting stroke prediction models, it seems necessary to know and compare these methods. The present study was conducted in 2021 with the aim of providing a model based on statistical / machine learning approaches for predicting stroke. The novelty of the present study is the use of 9 different algorithms which, compared to previous researches, led to higher accuracy of stroke prediction. For this purpose, the data of a data set, which included data related to 47557 people, was used. RapidMiner software was used to analyze the data. In order to present the stroke prediction model, the algorithms "Decision Tree, Naive Bayes, Role Induction, Neural Network, SVM, Logistic Regression, KNN, Random Forest and Hybrid Model" were used. Based on the research findings, the accuracy of different models was as follows: decision tree model (total accuracy= 90.63), Naive Bayes model (total accuracy= 88.86), Role induction model (total accuracy = 91/02), neural network model (total accuracy=91/02), SVM model (total accuracy=37.89), Logistic regression model (total accuracy = 83.40), KNN model (Total accuracy = 84/62), Random Forest model (total accuracy = 97/83) and Combined model of KNN, Naïve Bayes and rule induction (total accuracy=92.87). Based on the research findings, stroke prediction models based on "neural network, decision tree, hybrid model and Naïve Bayes" had the best performance.

پيش بيني , سكته ي مغزي , مدل , داده كاوي

Predict , Stroke , Model , Data Mining