پيش بيني بيماري قلبي با استفاده از تكنيك داده كاوي شبكه عصبي

مقدمه :داده كاوي به بررسي و تجزيه و تحليل مقادير عظيمي از داده ها به منظور كشف الگوها و قوانين معني دار اطلاق ميشود كه عمدتا از طريق ساختن مدل ها و الگوريتم ها، ورودي ها را با هدف خاصي مرتبط مي نمايد. گاهي تكنيك هاي داده كاوي منجر به شناسايي الگوريتم هاي معنادار مي شوند كه مي توانند با استفاده از داده هاي موجود و در دسترس و با هزينه كم، زمينه هاي ابتلا، پيشگيري و درمان بيماري ها را در پزشكي فراهم آورده و پزشك ها را در تشخص به موقع ياري رساند. مواد و روش ها اين مطالعه با هدف استفاده مديران بيمارستان از نتايج حاصل از داده كاوي سيستم هاي اطلاعات بيمارستاني جهت پيش بيني دقيق تر و تصميم گيري مؤثرتر در درمان بيماران صورت گرفته است. داده هاي مورد استفاده در اين مطالعه، مربوط به اطلاعات270 بيمار است كه از انبار داده سايت UCI استخراج شده و شامل 14 متغير است. از مدل شبكه عصبي براي پيش بيني مبتلا بودن به بيماري قلبي استفاده شده و دقت پيش بيني آن مورد بررسي و مقايسه قرار گرفته است. يافته هاي پژوهش بر اساس نتايج، مشاهده مي شود، مدل شبكه عصبي با ساختار پرسپترون چند لايه با دقتي برابر با 83.33% عمل كلاس بندي را براي مجموعه مشاهدات آزمون انجام داده است. بحث و نتيجه گيري نتايج نشان داد كه دقت مدل در كلاس بندي ركوردها از لحاظ متغير پاسخ بيماري قلبي (Heartdis)براي مجموعه ركوردهاي مدل ساز 87.75% و براي مجموعه ركوردهاي آزمون 83.33% مي باشد. همچنين متغيرهاي تعداد عروق بزرگ (Nbrves)، كاهش استرس(STdep)، نقص (Defect)، درد قفسه سينه(Chestpain)، اوج استرس) (PeakST، ضربان قلب ) (Heartrate، آنژين) (Angina، جنسيت) (Sex، سن(Age) ،ايستايي نوار قلب (Reselec)، فشار خون (Bloodpress)، قندخون (Bloodsugar) و كلسترول سرم(Serumchol) به ترتيب بيشترين اهميت را از لحاظ مدل شبكه عصبي با ساختار پرسپترون چند لايه در پيش بيني متغير پاسخ بيماري قلبي (Heartdis)دارند.