پیش بینی سکته قلبی

تشخیص بیماری قلبی عروقی به دلیل عوامل خطر متعددی از جمله فشار خون بالا، کلسترول و ضربان غیر طبیعی نبض دشوار است. تصمیم گیری دقیق و درمان بهینه برای رسیدگی به خطرات قلبی مورد نیاز است. با پیشرفت فناوری یادگیری ماشین، عملکرد بالینی صنعت
مراقبت های بهداشتی احتمالاً تغییر خواهد کرد. در نتیجه، محققان و پزشکان باید اهمیت تکنیک های یادگیری ماشین را تشخیص دهند. هدف اصلی این تحقیق توصیه یک سیستم پیش‌بینی بیماری قلبی عروقی مبتنی بر یادگیری ماشینی است که بسیار دقیق باشد. در
مقابل، الگوریتم‌های یادگیری ماشین مدرن مانند REP Tree، M5P Tree، Random Tree، Linear Regression، Naive Bayes، J48 و JRIP برای طبقه‌بندی مجموعه داده‌های محبوب قلبی عروقی استفاده می‌شوند. عملکرد CDPS پیشنهادی با استفاده از معیارهای مختلف
برای شناسایی بهترین مدل یادگیری ماشین مناسب ارزیابی شد. وقتی نوبت به پیش‌بینی بیماران قلبی عروقی می‌رسید، مدل درخت تصادفی با بالاترین دقت 100٪، کمترین MAE 0.0011، کمترین RMSE با 0.0231، و سریع‌ترین زمان پیش‌بینی 0.01 ثانیه عملکرد قابل‌توجهی
داشت.

سهم ما

(i) دقت پیش‌بینی تکنیک‌های مختلف یادگیری ماشین در این مطالعه برای تخمین خطر قلبی عروقی مورد بررسی قرار می‌گیرد.

(ب) تجزیه و تحلیل تکنیک‌های مختلف طبقه‌بندی یادگیری ماشین با استفاده از حداقل ویژگی‌ها در دو مجموعه داده بیماری‌های قلبی عروقی معروف، یعنی (i) مجارستانی و (ii) Statlog (قلب) انجام می‌شود.

(iii) از نظر پیش‌بینی بیماری‌های قلبی عروقی، تحلیل مقایسه‌ای عملکرد الگوریتم‌های یادگیری ماشینی REP Tree و Random Tree جدید است.

(IV) در نتیجه، یک سیستم پیش‌بینی بیماری قلبی عروقی کارآمد و دقیق ارائه می‌شود. علاوه بر این، ما بهترین الگوریتم یادگیری ماشینی مناسب را برای طراحی سیستم‌های هوشمند سطح بالا برای پیش‌بینی بیماری‌های قلبی عروقی توصیه می‌کنیم.

یادگیری ماشین برای حل بسیاری از مسائل در علم داده استفاده می شود. داده های موجود به پیش بینی نتایج در یادگیری ماشین کمک می کند. به عنوان یک تکنیک یادگیری ماشینی قدرتمند، نویسندگان طبقه‌بندی مجموعه‌ای را برای بهبود طبقه‌بندی‌کننده‌های
متعدد بررسی کردند. طبقه بندی گروه، طبقه بندی پیش بینی را بهبود می بخشد، اما تنها 7٪. برای آموزش و آزمایش، از مجموعه داده قلب کلیولند استفاده شد. به گفته نویسندگان در [19]، جنگل تصادفی و MP5 85.48٪ در پیش بینی بیماری قلبی ایجاد کردند.
فرآیند استخراج اطلاعات از تمام جنبه های زندگی انسان به عنوان داده کاوی شناخته می شود. رایج ترین کاربرد داده کاوی، کاوی مراقبت های بهداشتی است. الگوریتم جنگل تصادفی در مطالعه [20] برای پیش بینی وقوع بیماری قلبی در بیماران استفاده شد.
در مجموع 303 نمونه از مجموعه داده Kaggle در نظر گرفته شد. معیارهای مورد استفاده برای ارزیابی عملکرد، دقت، حساسیت و ویژگی بود. در طبقه بندی بیماری های قلبی، الگوریتم به نرخ پیش بینی 93.3 درصد دست یافت.

در مورد بیماری قلبی عروقی، تشخیص زودهنگام در نجات جان بیماران بسیار مهم است. همچنین محافظت از بیماران در برابر چنین بیماری هایی ضروری است. بسیاری از ابزارهای تجزیه و تحلیل داده ها برای کمک به ارائه دهندگان مراقبت های بهداشتی در تشخیص
زودهنگام استفاده می شوند [4]. در سال 2015، حدود 17.7 میلیون نفر در سراسر جهان بر اثر بیماری های قلبی عروقی جان خود را از دست دادند. برای مقابله با خطر قلبی، تصمیم گیری دقیق و درمان بهینه مورد نیاز است. مطالعه دیگری در کانادا از پنج
مدل یادگیری ماشینی برای تجزیه و تحلیل مرگ و میر یک ماهه در بیماران نارسایی احتقانی قلب که در بیمارستان بستری شده بودند استفاده کرد. پیش بینی های داخل بیمارستانی برای بیماران انفارکتوس میوکارد در کره جنوبی و چین مورد مطالعه قرار گرفته
است [5]. از سوی دیگر، مشخص شده است که بیماری های قلبی عروقی عامل یک مورد از هر چهار مرگ در ایالات متحده است. بیماری قلبی عروقی تقریباً 92.1 میلیون بزرگسال آمریکایی را تحت تأثیر قرار می دهد. موفقیت تکنیک های یادگیری ماشین به کار متخصصان
پزشکی کمک کرده است [6]. در نتیجه، یک سیستم پیش‌بینی خطر قلبی عروقی باید بسیار دقیق و خاص باشد.