پیش بینی بیماری قلبی با استفاده از تکنیک داده کاوی شبکه عصبی

مقدمه داده کاوی به بررسی و تجزیه و تحلیل مقادیر عظیمی از داده ها به منظور کشف الگوها و قوانین معنی دار اطلاق میشود که عمدتا" از طریق ساختن مدل ها و الگوریتم ها، ورودی ها را با هدف خاصی مرتبط می نماید. گاهی تکنیک های داده کاوی منجر به شناسایی الگوریتم های معنادار می شوند که می توانند با استفاده از داده های موجود و در دسترس و با هزینه کم، زمینه های ابتلا، پیشگیری و درمان بیماری ها را در پزشکی فراهم آورده و پزشک ها را در تشخص به موقع یاری رساند. مواد و روش ها این مطالعه با هدف استفاده مدیران بیمارستان از نتایج حاصل از داده کاوی سیستم های اطلاعات بیمارستانی جهت پیش بینی دقیق تر و تصمیم گیری مؤثرتر در درمان بیماران صورت گرفته است. داده­های مورد استفاده در این مطالعه، مربوط به اطلاعات270 بیمار است که از انبار داده سایت UCI استخراج شده و شامل 14 متغیر است. از مدل" شبکه عصبی" برای پیش­بینی مبتلا بودن به بیماری قلبی استفاده شده و دقت پیش­بینی آن مورد بررسی و مقایسه قرار گرفته است. یافته های پژوهش بر اساس نتایج، مشاهده می­شود، مدل شبکه عصبی با ساختار پرسپترون چند لایه با دقتی برابر با 83.33% عمل کلاس­بندی را برای مجموعه مشاهدات آزمون انجام داده است. بحث و نتیجه گیری نتایج نشان داد که دقت مدل در کلاس­بندی رکوردها از لحاظ متغیر پاسخ بیماری قلبی (Heart-dis)برای مجموعه رکوردهای مدل­ساز 87.75% و برای مجموعه رکوردهای آزمون 83.33% می­باشد. همچنین متغیرهای تعداد عروق بزرگ (Nbr-ves)، کاهش استرس(ST-dep)، نقص (Defect)، درد قفسه سینه(Chest-pain)، اوج استرس) (Peak-ST، ضربان قلب ) (Heart-rate، آنژین) (Angina، جنسیت) (Sex، سن(Age) ،ایستایی نوار قلب (Res-elec)، فشار خون (Blood-press)، قندخون (Blood-sugar) و کلسترول سرم(Serum-chol) به ترتیب بیشترین اهمیت را از لحاظ مدل "شبکه عصبی با ساختار پرسپترون چند لایه" در پیش­بینی متغیر پاسخ بیماری قلبی (Heart-dis)دارند.