بدون دیدگاه
تشخیص بالینی بیشتر با تخصص و تجربه پزشک انجام می شود. اما هنوز هم مواردی از تشخیص و درمان اشتباه گزارش شده است.
 از بیماران خواسته می شود تعدادی از آزمایشات را برای تشخیص انجام دهند.
در بسیاری از موارد ، تمام آزمایشات در تشخیص مؤثر یک بیماری نقش ندارند. هدف از کار ما پیش بینی دقیق تر وجود بیماری های قلبی با کاهش تعداد ویژگی ها است
در اصل ، سیزده ویژگی در پیش بینی بیماری های قلبی نقش داشتند.
در کار ما ، از الگوریتم ژنتیک برای تعیین ویژگی هایی استفاده می شود که بیشتر در تشخیص بیماری های قلبی نقش دارند و به طور غیرمستقیم تعداد تست هایی را که باید توسط یک بیمار انجام شود ، کاهش می دهد.
سیزده ویژگی با استفاده از جستجوی ژنتیکی به 6 صفت کاهش می یابد.
پس از آن ، از سه طبقه بندی کننده مانند Naive Bayes ، طبقه بندی توسط خوشه بندی و درخت  تصمیم گیری برای پیش بینی تشخیص بیماران با همان دقت که قبل از کاهش تعداد ویژگی ها بدست آمده استفاده می شود.
همچنین ، مشاهدات نشان می دهد که تکنیک استخراج داده درخت تصمیم گیری پس از ترکیب انتخاب زیر مجموعه ویژگی با زمان ساخت مدل نسبتاً بالاتر ، از دو روش دیگر داده کاوی دیگر بهتر است. Naïve Bayes بطور مداوم قبل و بعد از کاهش ویژگی های با زمان ساخت مدل مشابه عمل می کند. طبقه بندی از طریق خوشه بندی نسبت به دو روش دیگر عملکرد ضعیفی دارد.
1. مقدمه آگاهی و پیشرفت های مربوط به مراقبت های بهداشتی منجر به تعداد زیادی بیمارستان و مراکز مراقبت های بهداشتی شده است. اما هنوز هم ، کیفیت خدمات درمانی با هزینه های مقرون به صرفه ، هنوز هم در کشورهای در حال توسعه یک چالش برانگیز است. گرچه بسیاری از کشورها قدم های محکمی در ارائه خدمات مراقبت های بهداشتی برداشته اند ، اما دسترسی به این خدمات به فقرا و نیازمندان همچنان به عنوان یک سؤال مطرح است.
سازمان بهداشت جهانی در سال 2003 گزارش داد که 29.2٪ از کل مرگ و میر جهانی ناشی از بیماری قلبی عروقی (CVD) است. انتظار می رود تا پایان سال جاری ، CVD به دلیل تغییر در سبک زندگی ، فرهنگ کار و عادات غذایی عامل اصلی مرگ و میر در کشورهای در حال توسعه باشد. از این رو ، روش های دقیق تر و کارآمد تر بیماریهای قلبی و معاینه دوره ای از اهمیت بالایی برخوردار هستند.
داده کاوی یک گام اساسی در کشف دانش از مجموعه داده های بزرگ است. در سالهای اخیر ، داده کاوی در همه زمینه ها از جمله مراقبت های بهداشتی دارای اهمیت چشمگیری بوده است. فرآیند استخراج معادن بیش از تجزیه و تحلیل داده ها است که شامل طبقه بندی ، خوشه‌بندی ، استخراج قاعده ارتباط و پیش بینی است. این رشته همچنین رشته های دیگری مانند انبار داده ، آمار ، یادگیری ماشین و هوش مصنوعی را در بر می گیرد. تلاش ما برای پیش بینی تشخیص کارآمد با کاهش تعداد فاکتورها (به عنوان مثال ویژگیهای) است که با استفاده از تکنیک داده کاوی طبقه بندی ، به سمت بیماریهای قلبی کمک می کند.

آزمایش با ابزار Weka 3.6.0 انجام شد. از مجموعه داده های 909 رکورد با 13 ویژگی استفاده شده است.

برای تقویت پیش بینی طبقه بندی کننده ها ، جستجوی ژنتیکی گنجانیده شده است.

جستجوی ژنتیکی برای مجموعه بهینه از ویژگی ها با صفر صفر ، جمعیت اولیه و قوانین به طور تصادفی تولید می شود.

نسل جدید جمعیت تا زمان تکامل جمعیتی ادامه می یابد که در آن هر قانون توسط جمعیت برآورده می شود.

با وجود 0.6 ضربدری بیش از حد و احتمال جهش 0.033 ، جستجوی ژنتیکی منجر به 6 ویژگی شد که بیشتر در تشخیص بیماری قلبی نقش دارند.

از سه طبقه بندیگر مانند درخت تصمیم ، طبقه بندی از طریق خوشه بندی و Naïve Bayes برای تشخیص بیماران مبتلا به بیماری قلبی استفاده شد.

طبقه بندی شده ها با مجموعه داده های کاهش یافته با 6 ویژگی تغذیه شدند. نتایج در جدول 2 نشان داده شده است.

مشاهدات نشان می دهد که تکنیک استخراج داده تصمیم گیری درخت از دو روش دیگر داده کاوی بعد از انتخاب انتخاب زیر مجموعه ویژگی اما با زمان ساخت مدل بالا بهتر است.

Naïve Bayes بطور مداوم قبل و بعد از کاهش ویژگی ها با همان زمان ساخت مدل مشابه عمل می کند. طبقه بندی از طریق خوشه بندی نسبت به دو روش دیگر عملکرد ضعیفی دارد.

نوشته‌های پیشین
نوشته‌ی بعدی
تجزیه و تحلیل پیش بینی بیماری قلبی با استفاده از روش های مختلف داده کاوی

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Fill out this field
Fill out this field
لطفاً یک نشانی ایمیل معتبر بنویسید.
شما برای ادامه باید با شرایط موافقت کنید

فهرست