مقايسه عملكرد درخت تصميم گيري و شبكه عصبي در پيشگويي ابتلا به آنفاركتوس قلبي

Predicting the risk of myocardial infarction by Decision Tree Method

هدف: بيماري هاي قلبي عروقي از شايع ترين بيماري ها در تمامي جوامع مي باشد. استفاده از تكنيك هاي داده‌كاوي براي ايجاد مدل‌هاي پيش‌گويي كننده، جهت شناسايي افراد در معرض خطر براي كاهش عوارض ناشي از بيماري بسيار كمك كننده است. هدف اصلي اين مطالعه پيشگويي احتمال ابتلا افراد به آنفاركتوس قلبي با استفاده از درخت تصميم بر اساس ريسك فاكتورهاي موثر بر ابتلاست. روش بررسي: اين پژوهش از نوع تحليلي بوده و پايگاه داده آن شامل 350 ركورد مي باشد. داده هاي مورد نياز اين تحقيق در سال 1390با استفاده از جدول مورگان از بين پرونده بيماران مراجعه كننده به بيمارستان شهيد رجايي تهران بدست آمده است ابزار جمع آوري داده‌ها چك ليستي چهار قسمتي بوده است.تجزيه و تحليل به كمك نرم افزار SPSS Clementine 12 با بكارگيري متدولوژي (CRISP; Cross Industry Standard Process For Data Mining)انجام شده است. در بخش مدل‌سازي از درخت تصميم و شبكه عصبي استفاده شده است. يافته ها: با توجه به مدل‌هاي استفاده شده مشخص شد كه به ترتيب متغيرهاي فشارخون بالا، چربي خون بالا و مصرف سيگار، بيشترين تاثير را در ابتلا به آنفاركتوس قلبي دارا بودند. به كمك درخت تصميم ايجاد شده، قوانيني استخراج شده است كه مي تواند به عنوان الگويي در جهت پيشگويي احتمال ابتلا افراد به آنفاركتوس قلبي استفاده شود. صحت مدل ايجاد شده با استفاده از درخت تصميم 4/93 درصد بوده است. نتيجه گيري: بهترين مدل ايجاد شده درخت تصميم C5 بود. با بكارگيري قوانين ايجاد شده براي يك نمونه جديد با ويژگيهاي مشخص مي توان تعيين كرد كه احتمال ابتلا به آنفاركتوس قلبي چقدر است.

Purpose: Cardiovascular diseases are among the most common diseases in all societies. Using data mining techniques to generate predictive models to identify those at risk for reducing the effects of the disease is very helpful. The main purpose of this study was to predict the risk of myocardial infarction by Decision Tree based on the observed risk factors. Methods: The present work was an analytical study conducted on a database containing 350 records. Data were obtained from patients admitted to Shahid Rajaei specialized cardiovascular hospital, Iran, in 2011. Data were collected using a four-sectioned data collection form. Data analysis was performed using SPSS statistical software version 12 by CRISP methodology. In the modeling section decision tree and Neural Network were used. Results: The results of the data mining showed that the variables of high blood pressure, hyperlipidemia and tobacco smoking were the most critical risk factors of myocardial infarction. The accuracy of the decision tree model on the data was shown to be as 93/4%. Conclusion: The best created model was decision tree C5.0. According to the created rules, it can be predicted which patient with new specified features may affected by myocardial infarction.