بررسی کارایی رویکردهای اصلی الگوریتمهای یادگیری گروهی در پیش بینی مکانی زمانی روند بیماری قلبی و عروقی

مدیریت و پیش بینی بیماری های قلبی و عروقی نیازمند رویکردهایی است که بتوانند تعاملات پیچیده عوامل محیطی، اقلیمی و جمعیتی را به صورت مکانی-زمانی تحلیل کنند. استان خوزستان به دلیل وقوع پیاپی طوفان های گرد و غبار، شرایط اقلیمی ویژه و محدودیت های زیرساختی نظام سلامت، یکی از حساس ترین مناطق کشور در زمینه بروز بیماری های قلبی محسوب می شود. هدف این پژوهش توسعه و مقایسه مدل های یادگیری ماشین برای پیش بینی مکانی -زمانی روند بیماری های قلبی و عروقی در یک دوره ده ساله در شهرهای دزفول، شوش، شوشتر، اندیمشک و گتوند است. در این مطالعه دو مدل یادگیری گروهی شامل جنگل تصادفی و Cascade Boosting براساس داده های بیماران و متغیرهای محیطی ارزیابی شدند و عملکرد آن ها با استفاده از معیارهای آماری میانگین قدر مطلق خطا (MAE)، ریشه میانگین مربعات خطا (RMSE) و ضریب تعیین (R²) مقایسه شد. نتایج نشان داد که مدل Cascade Boosting عملکرد بهتری در پیش بینی نمونه های فردی داشته و با دستیابی به مقادیر MAE=۰.۱۴۴۷ و RMSE=۰.۲۷۴۴ و R²=۰.۹۲۲۲ دقت بیشتری نسبت به جنگل تصادفی (MAE=۰.۱۸۷۷، RMSE=۰.۲۷۵۱ و R²=۰.۹۲۲۲) ارائه کرده است. یافته ها بیانگر آن است که بهره گیری از مدل های تقویتی مانند Cascade Boosting می تواند الگوهای پیچیده مکانی-زمانی ابتلا به بیماری های قلبی و عروقی را با دقت بالاتری شناسایی کرده و به تصمیم سازی هدفمند در حوزه سلامت و مدیریت ریسک در مناطق حساس کمک کند.

کلیدواژه ها:

بیماری های قلبی عروقی ، یادگیری ماشین ، پیش بینی مکانی زمانی ، یادگیری گروهی