يك سيستم خبره تشخيص بيماري قلبي مبتني بر تركيب شواهد در داده‌ كاوي

An Expert System for Heart Disease Diagnosis Based on Evidence Combination in Data Mining

بيماري عروق كرونري، شايع ترين نوع بيماري قلبي و عامل اصلي مرگ و مير در كشورهاي صنعتي مي باشد. اين پژوهش با هدف طراحي يك سيستم خبره ي با دقت بالا براي تشخيص بيماري عروق كرونري قلب انجام شد.روش: اين مطالعه از نوع كاربردي بوده و از 14 ويژگي مربوط به 303 نفر كه تحت آنژيوگرافي كرونري قرار گرفتند استفاده شده است. براي تشخيص دقيق تر بيماري عروق كرونري، نتايج سه روش كلاسه بندي شبكه هاي عصبي، بيزين ساده و نزديكترين k همسايه با استفاده از تئوري تركيب شواهد دمستر شافر تركيب شده است. از نسخه 7. 3 نرم افزار داده كاوي weka و همچنين زبان برنامه نويسي c# در محيط .net framework براي پياده سازي روش استفاده گرديد. براي ارزيابي كارايي، روش 10fold cross validation بكار برده شد.نتايج: نتايج نشان داد كه ميانگين دقت (accuracy)، حساسيت (sensitivity) و ويژگي (specificity) در روش پيشنهادي به ترتيب 90/1 درصد، 89/09 درصد و 91/3 درصد مي باشد كه اين مقادير در مقايسه با هر يك از كلاسه بندهاي شركت كننده در تركيب بيشتر بود و همچنين نسبت به تحقيقات مشابه، دقت بهتري در تشخيص افراد داراي بيماري عروق كرونري داشت.نتيجه گيري: تحليل نتايج نشان مي دهند كه در جامعه آماري مورد مطالعه، روش پيشنهادي عملكرد بهتري در تشخيص بيماري عروق كرونري دارد و مي تواند بعنوان يك سيستم خبره، توسط متخصصين باليني درگير با بيماري قلبي، با هدف كمك به تصميم گيري هاي باليني و كاهش خطاها، بهبود زمان انتظار در تشخيص بيماري و كاهش آزمايشات غيرضروري پزشكي استفاده گردد.

Introduction: Coronary Artery disease is the most common type of heart disease and one of the leading causes of death in industrialized countries. The aim of this study was to design an expert system with high accuracy for Coronary artery disease diagnosis. Methods: In this applied study, 14 features of 303 patients underwent coronary angiography were used. Dempster-Shafer theory of evidence combination was used to combine the results of three classifying methods including Decision Tree, K-Nearest Neighbor and Neural Network, in order to design a more accurate coronary artery disease diagnostic system. The data mining tool (Weka version 3.7) and C# in Net Framework environment were used for the implementation of model. The 10-fold cross-validation was used for the efficiency assessment. Results: According to the results, mean accuracy, sensitivity, and specificity of the proposed system were 90.1%, 89.09% and 91.3% respectively. These values were higher in comparison with each of the participated classifiers in the combination. Moreover, in comparison to the similar studies, this method showed higher accuracy for the diagnosis of coronary artery disease. Conclusion: The results of this research indicates that in the studied population, the proposed method has better accuracy in the diagnosis of coronary heart disease. This method, as an expert system, can help clinicians in making decisions, reducing clinical errors, improving the time to get a diagnostic through reducing waiting time and reducing unnecessary medical tests.