استفاده از روش های یادگیری ماشین در افتراق بیماری های سندروم کرونری حاد

زمینه: سندروم کرونری حاد فرآیندی ناپایدار و پویا است که شامل آنژین قفسه صدری ناپایدار، انفارکتوس میوکارد با بالا رفتن قطعه st و انفارکتوس میوکارد بدون بالا رفتن قطعه st است. گرچه با پیشرفت های فناورانه انجام شده در سال های اخیر، تشخیص بیماری های قلبی نسبت به گذشته آسان تر شده است، کماکان افتراق بین بیماری های عروق کرونر در ساعت های اولیه بستری بسیار بحث برانگیز است. هدف از این پژوهش، تشخیص بیماری های سندروم کرونری حاد با صحت بالا با استفاده از روش های یادگیری ماشین است. این روش ها زیرمجموعه ای از هوش مصنوعی و شامل الگوریتم هایی است که امکان یادگیری را برای رایانه فراهم کرده و نقش مهمی در تصمیم های درمانی مناسب دارد. روش ها: در این مطالعه از 1902 بیمار پذیرش شده در بیمارستان با تشخیص سندروم کرونری حاد، بر اساس پرسشنامه انجمن قلب اروپا استفاده شده است. برای دسته بندی بیماران از درخت تصمیم که یک روش تفسیرپذیر است و برای بالا بردن کارایی الگوریتم از الگوریتم تجمیعی بگینگ استفاده شد. یافته ها: عملکرد دسته بندها بر اساس صحت محاسبه شده از ماتریس درهم ریختگی مقایسه شد. صحت درخت تصمیم و بگینگ به ترتیب 74/91 و 53/92 درصد به دست آمد. نتیجه گیری: روش های تداوم روش ها علاوه بر توانایی بالا در تشخیص بیماری های سندروم کرونری حاد، با در نظر گرفتن ماتریس درهم ریختگی به دست آمده، تعداد قابل قبولی از افراد را در هر دسته شناسایی کرد.