بهينه سازي ماشين بردار پشتيبان با الگوريتم GBC جهت پيش بيني ارتباط آنفاركتوس قلبي و سرطان: مطالعه موردي

Using GBC Algorithm to Optimize Support Vector Machine Parameters for Predicting the Relationship between Cancer and Cardiac Infarction: A Case Study

مقدمه آگاهي از ابتلا به سرطان، احتمال بروز اختلالات عصبي و استرس در بيمار را افزايش مي دهد. همچنين استرس خطر بروز آنفاركتوس قلبي را بيشتر مي كند. مطالعه حاضر بر پايه الگوريتم GBC، به بررسي احتمال بروز سكته قلبي در بيماران سرطاني پرداخت. روش اطلاعات بيماران از پايگاه داده بيمارستان فوق تخصصي شهيد صدوقي يزد جمع آوري شد. پرونده پزشكي 1679 بيمار مبتلا به آنفاركتوس قلبي مورد بررسي قرار گرفت كه از اين تعداد، 81 بيمار مبتلا به سرطان بودند. در فرآيند انتخاب ويژگي توسط مدل پيشنهادي، اگر ابتلا به سرطان به عنوان ويژگي تاثيرگذار شناسايي شود، آنگاه ارتباط بين سرطان و آنفاركتوس قلبي معنادار خواهد بود. نتايج با استفاده از مدل پيشنهادي، ويژگي ابتلا به سرطان براي پيش بيني امكان وجود احتمال بروز سكته قلبي انتخاب شد كه نشان دهنده وجود رابطه معنادار بين اين دو ويژگي در بيماران مستعد عارضه قلبي مي باشد. نتايج نشان داد با انتخاب ويژگي ابتلا به سرطان، دقت پيش بيني مدل پيشنهادي برابر با 0/91 بود. نتيجه گيري با استفاده از انتخاب ويژگي ابتلا به سرطان، مدل پيشنهادي نسبت به ساير مدل هاي مورد مقايسه داراي حداقل ميزان خطا و بيش ترين دقت و صحت در پيش بيني آنفاركتوس قلبي است. روش نايو بيز، حداكثر ميزان خطا و كم ترين دقت را دارا است. نتايج شبيه سازي حاكي از احتمال بروز سكته قلبي، در بيماران مستعد عارضه قلبي، پس از خبردار شدن از بيماري سرطان طي ماه هاي اوليه خود است.

Introduction: Awareness of cancer increases the probability of neurotic disorders and stress in the patient. Also, stress increases the risk of myocardial infarction. The present study aimed to determine the probability of a heart attack in cancer patients based on the GBC algorithm. Method: In this study, data were collected from the database of Shahid Sadoughi subspecialty hospital in Yazd. The medical records of 1679 patients with heart attack were studied, of which 81 ones belonged to patients with cancer. In the process of selecting features by the proposed model, if cancer is identified as an effective feature, then the relationship between cancer and cardiac infarction will be meaningful. Results: Using the proposed model, the cancer feature was selected to predict the probability of heart attack, which indicated a significant relationship between these two characteristics in patients who were vulnerable to cardiac disease. The predictive accuracy of the proposed model was 0.91 Conclusion: By choosing the cancer feature, the proposed model compared to other models has the least error rate and the most accuracy in predicting myocardial infarction. Naive bias method has maximum error rate and minimum accuracy. The simulation results indicate that in patients who are vulnerable to cardiac disease, after being diagnosed with cancer during the early months, heart attack is possible