استفاده از روش‌هاي يادگيري ماشين در افتراق بيماري‌هاي سندروم كرونري حاد

Using machine learning techniques to differentiate acute coronary syndrome

زمينه: سندروم كرونري حاد فرآيندي ناپايدار و پويا است كه شامل آنژين قفسه صدري ناپايدار، انفاركتوس ميوكارد با بالا رفتن قطعه ST و انفاركتوس ميوكارد بدون بالا رفتن قطعه ST است. گرچه با پيشرفت‌هاي فناورانه انجام‌شده در سال‌هاي اخير، تشخيص بيماري‌هاي قلبي نسبت به گذشته آسان‌تر شده است، كماكان افتراق بين بيماري‌هاي عروق كرونر در ساعت‌هاي اوليه بستري بسيار بحث برانگيز است. هدف از اين پژوهش، تشخيص بيماري‌هاي سندروم كرونري حاد با صحت بالا با استفاده از روش‌هاي يادگيري ماشين است. اين روش‌ها زيرمجموعه‌اي از هوش مصنوعي و شامل الگوريتم هايي است كه امكان يادگيري را براي رايانه فراهم كرده و نقش مهمي در تصميم‌‌هاي درماني مناسب دارد. روش‌ها: در اين مطالعه از 1902 بيمار پذيرش‌شده در بيمارستان با تشخيص سندروم كرونري حاد، بر اساس پرسشنامه انجمن قلب اروپا استفاده شده است. براي دسته‌بندي بيماران از درخت تصميم كه يك روش تفسيرپذير است و براي بالا بردن كارايي الگوريتم از الگوريتم تجميعي بگينگ استفاده ‌شد. يافته‌ها: عملكرد دسته‌بندها بر اساس صحت محاسبه شده از ماتريس درهم‌ريختگي مقايسه شد. صحت درخت تصميم و بگينگ به‌ترتيب 74/91 و 53/92 درصد به‌دست آمد. نتيجه‌گيري: روش‌هاي تداوم روش‌ها علاوه بر توانايي بالا در تشخيص بيماري‌هاي سندروم كرونري حاد، با در نظر گرفتن ماتريس درهم‌ريختگي به‌دست آمده، تعداد قابل قبولي از افراد را در هر دسته شناسايي كرد.

Backgroud: Acute coronary syndrome (ACS) is an unstable and dynamic process that includes unstable angina, ST elevation myocardial infarction, and non-ST elevation myocardial infarction. Despite recent technological advances in early diognosis of ACS, differentiating between different types of coronary diseases in the early hours of admission is controversial. The present study was aimed to accurately differentiate between various coronary events, using machine learning techniques. Such methods, as a subset of artificial intelligence, include algorithms that allow computers to learn and play a major role in treatment decisions. Methods: 1902 patients diagnosed with ACS and admitted to hospital were selected according to Euro Heart Survey on ACS. Patients were classified based on decision tree J48. Bagging aggregation algorithms was implemented to increase the efficiency of algorithm. Results: The performance of classifiers was estimated and compared based on their accuracy computed from confusion matrix. The accuracy rates of decision tree and bagging algorithm were calculated to be 91.74% and 92.53%, respectively. Conclusion: The proposed methods used in this study proved to have the ability to identify various ACS. In addition, using matrix of confusion, an acceptable number of subjects with acute coronary syndrome were identified in each class.