طبقه بندی احتمال ابتلا به بیماری های قلبی –عروقی با بهره گیری از الگوریتم درخت تصمیم: یک مطالعه مبتنی بر داده های بالینی

بیماری های قلبی-عروقی یکی از مهم ترین علل مرگ و میر در جهان هستند و تشخیص زودهنگام آن ها نقش کلیدی در کاهش مرگ و میر و بهبود کیفیت زندگی بیماران دارد. با توجه به محدودیت های روش های سنتی تشخیص مانند ECG و اکوکاردیوگرافی، استفاده از داده کاوی و الگوریتم های یادگیری ماشین به ویژه درخت تصمیم، ابزاری موثر برای شناسایی الگوهای پنهان و پیش بینی ریسک بیماری قلبی فراهم می کند. این پژوهش داده های ۵۰۰ بیمار قلبی شامل ۲۵۰ زن و ۲۵۰ مرد را تحلیل کرده است. نتایج نشان داد که در زنان، متغیرهای نتیجه تست تالاسمی (Thal)، فشار خون در حالت استراحت (BP) و تعداد رگ های کرونری رنگ شده (MajorVessels) بیشترین نقش را در پیش بینی ابتلا به بیماری قلبی داشتند، در حالی که در مردان، نوع درد قفسه سینه (ChestPain)، افت قطعه ST در ECG (ST_Dep)، سن (Age)، BP و MajorVessels مسیرهای تصمیم گیری اصلی را تشکیل دادند. الگوریتم درخت تصمیم توانست مسیرهای واضح و قابل تفسیر برای طبقه بندی بیماران ارائه دهد و تفاوت های جنسیتی در الگوهای ابتلا را برجسته کند. یافته ها اهمیت استفاده از مدل های داده کاوی و یادگیری ماشین در پیش بینی زودهنگام بیماری قلبی، طراحی مداخلات پیشگیرانه و بهینه سازی مراقبت بالینی را نشان می دهند.

کلیدواژه ها:

بیماری های قلبی-عروقی ، درخت تصمیم ، یادگیری ماشین ، پیش بینی ریسک ، داده کاوی