کاربرد هوش مصنوعی در تشخیص زودهنگام بیماریهای قلبی-عروقی بر اساس داده های بومی ایران

چکیده: همچنان یکی از اصلی ترین علل مرگ و میر و تحمیل کننده بار اقتصادی سنگین بر نظام های سلامت در سراسر جهان به ویژه در ایران هستند بیماری های قلبی-عروقی (CVDs). تشخیص زودهنگام این بیماری ها از بروز عوارض جبران ناپذیر جلوگیری کرده و در جامعه ایرانی راهکاری موثر برای کاهش هزینه ها محسوب می شود. پژوهش حاضر با هدف ارتقای دقت تشخیص زودهنگام به بررسی کاربرد مدل های یادگیری عمیق بر روی داده های بومی می پردازد؛ در حالی که تحقیقات بین المللی اغلب بر مجموعه داده های گسترده غیرغربی متمرکز هستند، این مطالعه با تمرکز انحصاری بر ویژگی های دموگرافیک و بالینی خاص جمعیت ایران شکاف موجود در اعتباربخشی مدل های هوش مصنوعی برای جامعه پزشکی بومی را هدف قرار داده است. در این راستا چندین مدل شبکه های عصبی از جمله شبکه های عصبی کانولوشنی (CNN)، شبکه های حافظه کوتاه مدت بلند (LSTM) و ADASYN برای مدیریت چالش عدم توازن داده های پزشکی از تکنیک های پیش پردازش استفاده گردید. با کسب بالاترین دقت، مدل LSTM برتری قابل توجهی در طبقه بندی نسبت به سایر مدل ها دارد. نتایج نشان داد که الگوریتم LSTM برای حساسیت %۸۹.۰ را به دست آورد. این یافته ها اهمیت استفاده از مدل های سری زمانی مانند LSTM و ادغام قابلیت های CNN-LSTM (مانند پایش روند داده ها) را برجسته می کند. در پایان پژوهش بر لزوم توسعه مدل های ترکیبی برای افزایش اعتماد بالینی به سیستم های خودکار تشخیص زودهنگام در ایران تاکید دارد.