مدل پيش بيني بيماري هاي عروق كرونر قلب با استفاده از داده كاوي داده‌هاي مطالعه سلامت مردم يزد (ياس)

The prediction model for cardiovascular disease using Yazd's health study data (YaHS)

مقدمه: بيماري‌هاي ايسكميك قلبي يكي از شايع‌ترين بيماري هايي است كه آمار مرگ‌ومير بالايي را در جهان به خود اختصاص مي‌دهد. بيماري‌هاي ايسكميك قلب به‌دنبال تنگ شدن يا بسته شدن شريان‌هاي كرونر قلب به‌وجود مي آيند كه تامين كننده خون قلب هستند، اين امر به آهستگي و به‌ مرور زمان رخ مي‌دهد. شناسايي افراد مستعد به بيماري و تغيير در الگوي زندگي آن ها مي تواند سبب كاهش مرگ و مير و باعث افزايش طول عمر ‌گردد. روش بررسي: مطالعه سلامت مردم يزد (ياس) به بررسي سلامت و بيماري هاي نمونه تصادفي 10000 نفر از مردم يزد در سال هاي 94-1393 پرداخته است. اين داده ها به‌علت داشتن ماهيت نامتوازن ابتدا، توسط روش بوت استراپ (Bootstrap) متوازن‌سازي‌شده ، آنگاه در مرحله آموزش دسته بندها به‌كار برده شده‌اند. از دسته بندهاي متفاوتي از قبيل شبكه عصبي مصنوعي (Artificial Neural Network)، القاي قواعد ((Rule Inducer ، رگرسيون (Regression) و آدابوست (Adaboost) جهت ارزيابي روش پيشنهادي با دو سناريو استفاده شده است. نتايج: يافته‌ها نشان داد كه عمل غربالگري افراد مستعد به بيماري‌هاي ايسكميك قلبي با استفاده از توليد نمونه افراد بيمار به روش بوت استراپ و متوازن سازي داده ها امكان‌پذير است. اين روش بيشترين تاثير را در افزايش حساسيت دسته‌بند كشف زيرگروه CN2 دارد. اين دسته‌بند توانايي تشخيص %83/6 از افراد مستعد بيماري را داراست. نتيجه‌گيري: بنابراين مي‌توان نتيجه گرفت كه روش‌هاي داده‌كاوي در غربالگري افراد مستعد بيماري ايسكميك قلبي كارايي مناسبي دارد و به كمك آن مي‌توان افراد مستعد اين بيماري را نسبت به‌ غربالگري سنتي كه با مراجعه حضوري افراد به ‌پزشك انجام مي‌شود؛ سريع‌تر و با هزينه كمتر شناسايي نمود.

Introdution: Ischemic heart disease is one of the most common diseases, which has led to high mortality rates all over the world. This disease is caused by narrowing or blockage of coronary arteries, which are the provider of blood to the heart. Identifying the people susceptible to this disease and bringing changes in their lifestyles has been said to reduce the related mortality rates and increase the patient's longevity. Methods: Yazd people Health Study (YaHS) was conducted on a random sample of 10,000 people living in the city of Yazd, Iran in the years 2014-15 for a general health and disease survey. These data were first balanced by bootstrapping technique due to their unbalanced nature. Next, classification methods were used in the training phase. Various classifiers, such as artificial neural network, rule inducer, regression, and AdaBoost were used in order to evaluate the proposed method with two scenarios. Results: The results showed that the screening of the people susceptible to ischemic heart disease had the most significant effect on increasing the sensitivity of the discovery classifier of CN2 subgroup through using balanced data by bootstrapping method followed by their analysis for the purpose of producing a sample of the patients. This classifier proved to have the potential for detecting 83.6% of the people susceptible to this disease. Conclusion: Therefore, it can be concluded that data mining methods are effective in screening for susceptible people with ischemic heart disease. This method can be compared with other traditional screening methods in that it is more cost-effective and faster.