سینا دامی - استادیار گروه کامپیوتر، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران ایران
احسان ارباب - دانشجوی کارشناسی ارشد IT، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران ایران

پیش بینی زنده ماندن بیماران پیوند قلب یک مسیله مهم و درعین حال چالش برانگیز است، زیرا نقش مهمی در شناخت روش تطبیق بین اهداکننده و گیرنده ایفا می کند. مدل داده کاوی را می توان به طور موثر برای تجزیه وتحلیل و ا ستخراج اطلاعات جدید از مجموعه داده های پیوندی بزرگ / پیچیده استفاده کرد. هدف از این مطالعه پیش بینی بقای بیمار، 1، 5 و 9 سال پس از جراحی پیوند قلب از طریق استفاده از مدل های تحلیلی بر اساس الگوریتم طبقه بندی شبکه عصبی مصنوعی با تابع مدار شعاعی (RBF) است. ازآنجایی که مجموعه داده های مورداستفاده در این مطالعه تجزیه وتحلیل پیوند پس از 1 و 5 سال در بسیاری از موارد زنده ماندن را نشان می دهد و بالعکس در تجزیه و تحلیل پیوند پس از 9 سال دارد فوت بیشتر را نشان می دهد، به صورت تصادتی تحت نمونه برداری (RUS) برای غلبه بر مشکلات مربوط به عدم تقارن و توازن داده ها استفاده می شود. نتایج تجربی بر روی مجموعه داده های شبکه متحد برای ا شتراک گذاری سازمان (UNOS) نشان می دهد که روش پیشنهادی بهترین رتبه بندی را برای پیش بینی نتایج بیماران 1، 5 و 9 سال پس از پیوند حاصل می کند و دارای بیشترین دقت و بازخوانی در مقایسه با سایر روش های پایه می باشد.

مراقبت های بهداشتی، پیش بینی بقای پیوند قلب، تجزیه وتحلیل داده های نامتقارن، شبکه عصبی RBF