پيش بيني روش درمان بيماري قلبي با استفاده از الگوريتم هاي داده كاوي

A Model to Predict Heart Disease Treatment Using Data Mining

امروزه بيماري قلبي بسيار معمول و يكي از دلايل اصلي مرگ و مير به شمار مي رود. به همين علت تشخيص درست و به موقع اين بيماري بسيار مهم است. روش هاي تشخيصي و درماني اين بيماري عوارض جانبي زياد و پرهزينه اي دارد. بنابراين محققان به دنبال روش هاي ارزان و با دقت بالا براي تشخيص اين بيماري هستند. پژوهش حاضر با هدف شناسايي الگويي براي تشخيص روش درمان بيماري قلبي صورت گرفته است. روش بررسي: پژوهش حاضر به روش توصيفي- مقطعي صورت گرفته و نمونه گيري به روش سرشماري بوده است. جامعه ي پژوهش متشكل از داده هاي بيمارستان هاي خاتم الانبياء(ع) و علي ابن ابي طالب(ع) زاهدان است كه با مراجعه ي مستقيم پژوهش گر به سازمان حاصل و به صورت فايل اكسل تهيه گرديد. جهت تحليل داده ها از نرم افزار Clementine12.0 استفاده شده است. در پژوهش حاضر الگوريتم هاي CHAID ،C&R Tree ،C5.0 و QUEST و شبكه عصبي مصنوعي روي مجموعه داده اجرا گرديد. يافته ها: مقدار صحت 76/04 توسط الگوريتم C&R Tree نشان دهنده ي عملكرد بهتر الگوريتم هاي درخت تصميم نسبت به شبكه ي عصبي است. نتيجه گيري: هدف اين مطالعه ارايه مدلي براي پيش بيني روش درماني مناسب بيماري قلبي به منظور كاهش هزينه هاي درمان و كيفيت ارايه خدمات بهتر به پزشكان مي باشد. با توجه به قابل ملاحظه بودن خطرات اجراي روش هاي تشخيص تهاجمي مانند آنژيوگرافي و نيز حصول تجارب موفقيت آميز داده كاوي در پزشكي، اين مطالعه مدلي مبتني بر تكنيك هاي داده كاوي ارايه نموده است. نقطه ي قابل بهبود مدل فوق ارايه سيستمي تصميم يار جهت كمك به پزشكان براي افزايش صحت تشخيص روش درمان بيماري مي باشد.

Background and Aim: Nowadays heart disease is very common and is a major cause of mortality. Proper and early diagnosis of this disease is very important. Diagnostic methods and treatments of the disease are so expensive and have many side effects. Therefore, researchers are looking for cheaper ways to diagnose it with high precision. This study aimed to identify a model for the treatment of heart disease. Materials and Methods: In this descriptive cross-sectional study, the sampling method was census. The sample consisted of data from Khatam and Ali Ibn Abi Talib Hospitals in Zahedan. The data were developed as an Excel file, and Clementine12.0 software was used for data analysis. In the present study, C5.0, C & R Tree, CHAID, and QUEST algorithms and artificial neural network were carried out on the collected data. Results: The accuracy of 76.04 by C & R algorithm indicates the better performance of Decision Tree Algorithms than that of the Neural Network. Conclusion: This study aimed to provide a model for the prediction of a suitable heart disease treatment to reduce treatment costs and provide better quality of services for physicians. Due to considerable implementation risks of invasive diagnostic procedures such as angiography and also obtaining successful experiences of data analysis in medicine, this study has presented a model based on data analysis techniques. The improvable point of this model is the provision of a decision support system to help physicians to increase the accuracy of diagnosis in the treatment of diseases.