en پیش بینی سکته قلبی با استفاده از داده کاوی و روش انتخاب ویژگی دو مرحله ای مدیریت اطلاعات بهداشتی Health information management پژوهشي Research <p dir="RTL"><strong>چکیده</strong></p> <p dir="RTL"><strong>مقدمه و هدف:</strong> سکته قلبی یکی از علل اصلی مرگ و میر در کشورهای در حال توسعه می‌باشد. هدف این مطالعه، ارزیابی عملکرد مدل‌های دسته‌بندی برای پیش‌بینی سکته قلبی است که از یک مدل انتخاب ویژگیِ مبتنی بر وزن‌دهی به‌وسیله <span dir="LTR">SVM</span> و الگوریتم ژنتیک، بهره می‌برد.</p> <p dir="RTL"><strong>مواد و روش‌ها:</strong> داده‌های این مطالعه از اطلاعات مراجعه<span dir="LTR">‌</span>کنندگان به بیمارستان تخصصی قلب شهید مدنی خرم<span dir="LTR">‌</span>آباد به دست آمده است که شامل 519 بیمار و 52 ویژگی می‌شود. مدل پیشنهادی ما استفاده از یک روش انتخاب ویژگی ترکیبی در کنار الگوریتم‌های دسته‌بندی، به منظور بهبود عملکرد مدل‌های پیش‌بینی، می‌باشد. در مرحله اول از این مدل، ویژگی‌ها توسط روش وزن‌دهی به‌وسیله <span dir="LTR">SVM</span>، و با توجه به وزن هر ویژگی انتخاب می‌شود. در مرحله دوم، ویژگی‌های انتخاب شده به الگوریتم ژنتیک وارد شده و ویژگی‌های نهایی انتخاب می‌شوند. هشت روش دسته‌بندی شامل بهینه‌سازی متوالی کمینه، <span dir="LTR">REPTree</span>، بیز ساده، ماشین بردار پشتیبان، شبکه‌عصبی پرسپترون چندلایه، جنگل تصادفی، نزدیکترین همسایگان و شبکه بیزین، برای پیش‌بینی سکته قلبی به ویژگی‌های انتخاب شده، اعمال می‌شوند<span dir="LTR">.</span>&nbsp;</p> <p dir="RTL"><strong>نتایج:</strong> بهترین نتایج، پس از اعمال روش انتخاب ویژگی پیشنهادی و توسط الگوریتم‌های نزدیکترین همسایگان، شبکه‌عصبی پرسپترون چندلایه و بهینه‌سازی متوالی کمینه به دست آمده است که به ترتیب برابر با 69/97درصد، 5/97درصد و 3/97درصد می‌باشد.</p> <p dir="RTL"><strong>نتیجه‌گیری:</strong> بر اساس نتایج این مطالعه، و بهبود عملکرد الگوریتم‌های دسته‌بندی، به نظر می‌رسد که به‌کارگیری استفاده از مدل انتخاب ویژگی پیشنهادی در کنار الگوریتم‌های دسته‌بندی می‌تواند یک روش قابل اطمینان برای پیش‌بینی سکته قلبی در نظرگرفته شود.</p> <p align="left"><strong>Abstract</strong></p> <p style="margin-left:4.5pt;"><strong>Introduction</strong>: Myocardial Infarction, also known as heart attack, normally occurs due to such causes as smoking, family history, diabetes, and so on. It is recognized as one of the leading causes of death in the world. Therefore, the present study aimed to evaluate the performance of classification models in order to predict Myocardial Infarction, using a feature selection method that includes Forward Selection and Genetic Algorithm.</p> <p style="margin-left:4.5pt;"><strong>Materials & Methods</strong>: The Myocardial Infarction data set used in this study contains the information related to 519 visitors to Shahid Madani Specialized Hospital of Khorramabad, Iran. This data set includes 33 features. The proposed method includes a hybrid feature selection method in order to enhance the performance of classification algorithms. The first step of this method selects the features using Forward Selection. At the second step, the selected features were given to a genetic algorithm, in order to select the best features. Classification algorithms entail Ada Boost, Na&iuml;ve Bayes, J48 decision tree and simpleCART are applied to the data set with selected features, for predicting Myocardial Infarction.</p> <p style="margin-left:4.5pt;"><strong>Results</strong>: The best results have been achieved after applying the proposed feature selection method, which were obtained via simpleCART and J48 algorithms with the accuracies of 96.53% and 96.34%, respectively.</p> <p style="margin-left:4.5pt;"><strong>Conclusion</strong>: Based on the results, the performances of classification algorithms are improved. So, applying the proposed feature selection method, along with classification algorithms seem to be considered as a confident method with respect to predicting the Myocardial Infarction.</p> کشف دانش, بهینه‌سازی متوالی کمینه, شبکه‌عصبی مصنوعی, جنگل تصادفی, سکته قلبی Ada Boost, Forward Selection, J48 decision tree, Myocardial Infarction, SimpleCART 110 120 http://jhr.ssu.ac.ir/browse.php?a_code=A-11-1149-1&slc_lang=en&sid=1 Hojatollah Hamidi حجت اله حمیدی h_hamidi@kntu.ac.ir Yes K. N. Toosi University of Technology گروه فنآوری اطلاعات، دانشگاه صنعتی خواجه نصیرالدین طوسی Atefeh Daraie عاطفه دارایی hamidi_h1389@yahoo.com No K. N. Toosi University of Technology گروه فنآوری اطلاعات، دانشگاه صنعتی خواجه نصیرالدین طوسی