پيش‌بيني دقيق بيماري عروق كرونري با استفاده از الگوريتم‌هاي بيوانفورماتيك

Accurate Prediction of Coronary Artery Disease Using Bioinformatics Algorithms

زمینه و هدف: بیماری قلبی - عروقی یكی از مهم‌ترین علل مرگ و میر در كشورهای پیشرفته و جهان سوم است. طبق اعلام سازمان بهداشت جهانی پیش‌بینی می‌شود مرگ و میر ناشی از بیماری‌های قلبی تا سال 2030 به 23 میلیون نفر افزایش می‌یابد. در جدیدترین آمار وزیر بهداشت ایران، ۳/۳۹% كل مرگ و میرها ناشی از بیماری‌های قلبی - عروقی و 5/19% مربوط به سكته‌های قلبی گزارش شده است. این پژوهش با هدف پیش‌بینی بیماری عروق كرونر قلبی با استفاده از الگوریتم‌های داده‌كاوی انجام شد. روش بررسی: در این مطالعه از الگوریتم‌های مختلف بیوانفورماتیك از جمله درخت تصمیم، شبكه‌های عصبی، ماشین‌بردار پشتیبان، خوشه‌بندی و ...، برای پیش‌بینی بیماری عروق كرونر قلب استفاده شد. در این مطالعه داده‌ها از چندین پایگاه معتبر (شامل 14 داده) گرفته شدند. یافته‌ها: در این تحقیق از تكنیك‌های داده‌كاوی، جهت تشخیص بیماری‌های مختلف از جمله بیماری عروق كرونری استفاده شد كه مؤثر بود. همچنین برای اولین بار یك سیستم پیش‌بینی مبتنی بر ماشین‌بردار پشتیبان با بهترین دقت ممكن معرفی گردید. نتیجه‌گیری: نتایج نشان داد بین ویژگی‌ها؛ متغیر اسكن‌تالیوم به‌عنوان مهم‌ترین ویژگی در تشخیص بیماری‌های قلبی می‌باشد، و طراحی مدل‌های پیش‌بینی ماشینی از جمله الگوریتم یادگیری بردار پشتیبان ماشین با دقت 100% می‌تواند بین افراد بیمار و سالم تمایز قائل شود.

Background and Objectives: Cardiovascular disease is one of the main causes of death in developed and Third World countries. According to the statement of the World Health Organization, it is predicted that death due to heart disease will rise to 23 million by 2030. According to the latest statistics reported by Iran’s Minister of health, 3.39% of all deaths are attributed to cardiovascular diseases and 19.5% are related to myocardial infarction. The aim of this study was to predict coronary artery disease using data mining algorithms. Methods: In this study, various bioinformatics algorithms, such as decision trees, neural networks, support vector machines, clustering, etc., were used to predict coronary heart disease. The data used in this study was taken from several valid databases (including 14 data). Results: In this research, data mining techniques can be effectively used to diagnose different diseases, including coronary artery disease. Also, for the first time, a prediction system based on support vector machine with the best possible accuracy was introduced. Conclusion: The results showed that among the features, thallium scan variable is the most important feature in the diagnosis of heart disease. Designation of machine prediction models, such as support vector machine learning algorithm can differentiate between sick and healthy individuals with 100% accuracy.