مقایسه عملکرد درخت تصمیم گیری و شبکه عصبی در پیشگویی ابتلا به آنفارکتوس قلبی

Abstract

هدف: <br/>بیماری های قلبی عروقی از شایع ترین بیماری ها در تمامی جوامع می باشد. استفاده از تکنیک های داده‌کاوی برای ایجاد مدل‌های پیش‌گویی کننده، جهت شناسایی افراد در معرض خطر برای کاهش عوارض ناشی از بیماری بسیار کمک کننده است. هدف اصلی این مطالعه پیشگویی احتمال ابتلا افراد به آنفارکتوس قلبی با استفاده از درخت تصمیم بر اساس ریسک فاکتورهای موثر بر ابتلاست. <br/>روش بررسی: <br/>این پژوهش از نوع تحلیلی بوده و پایگاه داده آن شامل 350 رکورد می باشد. داده های مورد نیاز این تحقیق در سال 1390با استفاده از جدول مورگان از بین پرونده بیماران مراجعه کننده به بیمارستان شهید رجایی تهران بدست آمده است ابزار جمع آوری داده‌ها چک لیستی چهار قسمتی بوده است.تجزیه و تحلیل به کمک نرم افزار SPSS Clementine 12 با بکارگیری متدولوژی <span style="font-size: 9.0pt; line-height: 115%; font-family: 'Times New Roman','serif'; mso-bidi-font-family: Arial; mso-bidi-theme-font: minor-bidi;">(Cross Industry Standard Process For Data Mining; CRISP)</span> انجام شده است. در بخش مدل‌سازی از درخت تصمیم و شبکه عصبی استفاده شده است. <br/>یافته ها: <br/>با توجه به مدل‌های استفاده شده مشخص شد که به ترتیب متغیرهای فشارخون بالا، چربی خون بالا و مصرف سیگار، بیشترین تاثیر را در ابتلا به آنفارکتوس قلبی دارا بودند. به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده است که می تواند به عنوان الگویی در جهت پیشگویی احتمال ابتلا افراد به آنفارکتوس قلبی استفاده شود. صحت مدل ایجاد شده با استفاده از درخت تصمیم 93/4 درصد بوده است. <br/>نتیجه گیری: <br/>بهترین مدل ایجاد شده درخت تصمیم C5 بود. با بکارگیری قوانین ایجاد شده برای یک نمونه جدید با ویژگیهای مشخص می توان تعیین کرد که احتمال ابتلا به آنفارکتوس قلبی چقدر است. <br/> <br/> <br/>^{<span style="font-size: 11.0pt; line-height: 115%; font-family: 'Calibri','sans-serif'; mso-fareast-font-family: Calibri; mso-bidi-font-family: Arial; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA;">1</span>}<span style="font-size: 9.0pt; line-height: 115%; font-family: 'Times New Roman','serif'; mso-fareast-font-family: Calibri; mso-bidi-font-family: Arial; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA;">Cross Industry Standard Process For Data Mining</span>