پیش بینی دقیق بیماری عروق کرونری با استفاده از الگوریتم های بیوانفورماتیک
محل انتشار: مجله دانشگاه علوم پزشکی قم، دوره: 10، شماره: 4
سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 198
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_MUQ-10-4_003
تاریخ نمایه سازی: 2 آبان 1401
چکیده مقاله:
زمینه و هدف: بیماری قلبی - عروقی یکی از مهم ترین علل مرگ و میر در کشورهای پیشرفته و جهان سوم است. طبق اعلام سازمان بهداشت جهانی پیش بینی می شود مرگ و میر ناشی از بیماری های قلبی تا سال ۲۰۳۰ به ۲۳ میلیون نفر افزایش می یابد. در جدیدترین آمار وزیر بهداشت ایران، ۳/۳۹% کل مرگ و میرها ناشی از بیماری های قلبی - عروقی و ۵/۱۹% مربوط به سکته های قلبی گزارش شده است. این پژوهش با هدف پیش بینی بیماری عروق کرونر قلبی با استفاده از الگوریتم های داده کاوی انجام شد.
روش بررسی: در این مطالعه از الگوریتم های مختلف بیوانفورماتیک از جمله درخت تصمیم، شبکه های عصبی، ماشین بردار پشتیبان، خوشه بندی و ...، برای پیش بینی بیماری عروق کرونر قلب استفاده شد. در این مطالعه داده ها از چندین پایگاه معتبر (شامل ۱۴ داده) گرفته شدند.
یافته ها: در این تحقیق از تکنیک های داده کاوی، جهت تشخیص بیماری های مختلف از جمله بیماری عروق کرونری استفاده شد که موثر بود. همچنین برای اولین بار یک سیستم پیش بینی مبتنی بر ماشین بردار پشتیبان با بهترین دقت ممکن معرفی گردید.
نتیجه گیری: نتایج نشان داد بین ویژگی ها؛ متغیر اسکن تالیوم به عنوان مهم ترین ویژگی در تشخیص بیماری های قلبی می باشد، و طراحی مدل های پیش بینی ماشینی از جمله الگوریتم یادگیری بردار پشتیبان ماشین با دقت ۱۰۰% می تواند بین افراد بیمار و سالم تمایز قائل شود.
کلیدواژه ها:
Heart diseases ، Coronary artery diseases ، Computational biology ، Support vector machine. ، بیماری های قلبی ، بیماری های عروق کرونر ، زیست شناسی محاسباتی ، ماشین بردار پشتیبان.
نویسندگان
هاجر شفیعی
University of Qom
منصور ابراهیمی
Faculty of Basic Sciences, University of Qom, Qom
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :