تشخيص بيماري عروق كرونر قلبي با استفاده از الگوريتم فراابتكاري شاهين هريس و روش‌هاي يادگيري ماشين

مقدمه: روش‌هاي تشخيص بيماري‌هاي عروق كرونر معمولاً در معرض خطا بوده و براي بيمار رنج‌آور و هزينه بر است. بنابراين، توسعه و ارائه روش‌هاي يادگيري ماشين با دقت بالا در تشخيص بيماريهاي عروق كرونر از اهميت خاصي برخوردار است. هدف اين پژوهش كمك به تشخيص بيماري عروق كرونري با استفاده از الگوريتم شاهين هريس و روش‌هاي يادگيري ماشين مي‌باشد. روش ها: در اين پژوهش از روش جديد مبتني بر انتخاب ويژگي توسط شاهين هريس در حالت تركيبي با روش يادگيري ماشين شامل درخت تصميم و كاي نزديك‌ترين همسايه استفاده شد. كه جهت ارزيابي روش پيشنهادي از دو مجموعه داده با پرونده پزشكي 303 بيمار در مجموعه داده Cleveland و ZAlizadehSani استفاده گرديد. ارزيابي مدل پيشنهادي در پايتون نسخه 2016 انجام شد. يافته ها: بر اساس يافته ها انتخاب ويژگي با استفاده از الگوريتم شاهين هريس در حالت تركيبي با روش يادگيري ماشين منجر به افزايش دقت در نتايج شد. به طوري كه در مجموعه داده ZAlizadehSani درصد دقت در تركيب با درخت تصميم برابر با 0/98 و در تركيب با كاي نزديك ترين همسايه برابر با 0/78 بود. همچنين، در مجموعه داده Cleveland درصد دقت در تركيب با درخت تصميم برابر با 0/88 و در تركيب با كاي نزديك ترين همسايه برابر با 0/77 بود. اين در حالي است كه هريك از اين مقادير در حالت تمام ويژگي‌ها مقادير كمتري از دقت را دارا بود. بنابراين، الگوريتم شاهين هريس در تركيب با درخت تصميم توانست به بالاترين دقت تشخيص بيماري عروق كرونر در حالت انتخاب ويژگي نسبت به كل ويژگي‌ها دست يابد. نتيجه‌گيري: نتايج اين مطالعه به خوبي نقش فرآيند انتخاب ويژگي هاي مؤثر در تشخيص بيماري عروق كرونر توسط الگوريتم شاهين هريس در تركيب با روش‌هاي يادگيري ماشين را نشان داد.