25856

كشف الگو‌هاي بالقوه بين عوامل بيماري قلبي و اختلالات روان‌پزشكي در كودكان و نوجوانان ايراني با استفاده از تكنيك‌هاي داده‌كاوي (مطالعه موردي: استان يزد)

كارشناسي ارشد

مهندسي صنايع- بهينه‌سازي سيستم‌ها

1397

1400/6/28

روزبه قوسي - محمد رضا محمد عليها

رسول نورالسناء

مهندسي صنايع

امروزه حجم زيادي از داده‌ هاي پزشكي در بيمارستان‌ ها و مراكز درماني توسط تجهيزات پزشكي توليد و نگهداري مي‌ شوند. براي شناسايي و پيش‌ بيني وضعيت بيماران، تجزيه و تحليل اين اطلاعات امري ضروري و مهم تلقي مي‌ شود، لذا پيشبيني وضعيت بيماران قلبي به عنوان يكي از مهمترين موضوعات در زمينه تجزيه و تحليل داده ها در حوزه سلامت مي باشد. پژوهش حاضر به منظور كشف الگو‌ هاي بالقوه بين عوامل خطر بيماري قلبي و اختلالات روان‌ پزشكي در كودكان و نوجوانان ايراني با استفاده از تكنيك‌ هاي داده‌ كاوي انجام شده است. داده‌ ها با استفاده از آزمايشات پزشكي و طراحي پرسشنامه‌ هاي مرتبط، از بين كودكان و نوجوانان استان يزد جمع‌ آوري گرديدند. ويژگي‌ هاي مورد استفاده در اين تحقيق عبارتند از: ويژگي‌ هاي جمعيت شناختي، اختلالات روان‌ پزشكي، اختلالات والدين، سبك زندگي، سرمايه اجتماعي و ويژگي‌ هاي مربوط به عوامل خطر بيماري قلبي. در اين تحقيق، تحليل آماري جامعي از ويژگي هاي مورد مطالعه انجام و الگوهاي موجود در بين آن ها ارائه شدند. عدم توازن بين داده ها منجر به پيش بيني هاي ضعيف مي شود، بنابراين جهت متوازن سازي داده ها از الگوريتم اسموت استفاده شده است. همچنين اين تحقيق از دو روش اهميت ويژگي ها و روش هاي مبتني بر الگوريتم هاي فرا ابتكاري نظير الگوريتم ژنتيك، بهينه سازي ازدحام ذرات و كلوني مورچگان جهت شناسايي و تعيين ويژگي هاي مهم بهره مي برد. به منظور اعتبار سنجي عملكرد مدل هاي پياده سازي شده، اين تحقيق از روش اعتبار سنجي متقابل ده زير مجموعه اي استفاده كرده است. لازم به ذكر است كه جهت پيش بيني وضعيت فشار خون بيماران، مدل‌ هاي تجمعي نظير جنگل تصادفي و انواع مدل گراديان تقويتي پياده سازي شدند. نتايج نشان مي دهد كه تركيب الگوريتم هاي فرا ابتكاري جهت انتخاب ويژگي هاي مهم با الگوريتم هاي تجمعي جهت پيش بيني وضعيت فشار خون بيماران، عملكرد اين مدل ها را به ميزان قابل ملاحظه اي بهبود مي دهد.

1400/09/29

Finding potential patterns of psychiatric disorders and risk factors of cardiovascular diseases in Iranian children and adolescents records using data mining techniques (Case study: Yazd province)

9/19/2022 12:00:00 AM

Nowadays, large amounts of medical data are generated and stored by medical equipment in hospitals and medical centers. In order to predict the condition of patients, analysis of this information is considered necessary and important. Today, predicting the status of heart disease is one of the most important issues in the healthcare industry. The present study was conducted to explore potential patterns between risk factors for heart disease and psychiatric disorders in Iranian children and adolescents using data mining techniques. Data were collected from children and adolescents in Yazd province using medical tests and the design of related questionnaires. The characteristics used in this study are demographic characteristics, psychiatric disorders, parental disorders, lifestyle, social capital, and characteristics related to heart disease risk factors. In this research, a comprehensive statistical analysis of the studied features has been performed and the existing patterns among them have been presented. The imbalance of data leads to poor predictions, so the SMOTE algorithm is used to balance the data. This research also uses two methods of feature selection such as feature importance and methods based on meta-heuristic algorithms, including genetic algorithm, particle swarm optimization, and ant colony to identify important features. So as to validate the performance of the implemented models, this research has used the ten-fold cross-validation. It should be noted that in order to predict the blood pressure of patients, ensemble learning models such as random forest and various gradient boosting models have been used. The results show that the combination of meta-heuristic algorithms for selecting important features with ensemble algorithms for predicting patients' blood pressure status significantly improves the performance of these models.