ارايه مدل پيش بيني سكته مغزي با استفاده از الگوريتم داده كاوي

Presentation a Model for Prediction of Cerebrovascular Accident using Data Mining Algorithm

چكيده مقدمه: سكته مغزي يكي از معضلات بزرگ بهداشتي، شايع‌ترين و نيز پر عارضه‌ترين بيماري مغز و اعصاب است و همه ساله حدود 5/5 ميليون نفر را در سراسر جهان مبتلا مي‌كند. مطالعه حاضر با هدف تعيين عوامل موثر در ابتلا به سكته مغزي و تعيين عملكرد الگوريتم داده كاوي شبكه عصبي در پيشبيني اين بيماري انجام شد. مواد و روش: اين مطالعه از انواع مطالعات توصيفي – تحليلي و كاربردي بود كه به ‌صورت مقطعي گذشته-نگر انجام شد. در اين مطالعه از روش كريسپ به عنوان يكي از قدرتمندترين روش‌هاي انجام مطالعات داده كاوي استفاده شد. همچنين براي تحليل داده ها از نرم افزار SPSS Modeler 14.2 و الگوريتم شبكه عصبي بهره گرفته شد. يافته‌ها: با توجه به يافته‌هاي پژوهش، دقت كلي مدل شبكه عصبي براي پيشبيني سكته مغزي 7/89 درصد بود كه نشان‌دهنده قدرت بالاي اين مدل در پيش بيني ابتلا به سكته مغزي بود. همچنين مدل مذكور ريسك فاكتور ديابت را به عنوان مهم‌ترين عامل در ابتلاي به سكته مغزي پيش‌بيني كرد. علاوه براين بر اساس مدل شبكه عصبي مواردي مانند سن، تروما و تصلب شرايين نيز به عنوان عوامل ابتلا در نظر گرفته شدند. بحث و نتيجه‌گيري: بر اساس مطالعه حاضر بيماران ديابتي بيشتر در معرض ابتلا به سكته مغزي قرار داشتند و هرچه سن بيمار افزايش پيدا كند ريسك ابتلا به اين بيماري افزايش پيدا مي‌كند. لذا پيشنهاد مي شود اقدامات موثري در جهت بيماريابي از طريق احداث كلينيك‌هاي تشخيص و درمان ديابت در سطح شهر و نيز انجام غربالگري هاي دوره‌اي انجام شود. واژگان كليدي: داده كاوي، شبكه‌هاي عصبي، سكته مغزي، عوامل موثر، پيش بيني ابتلا

Abstract Background and Objectives: Cerebrovascular Accident (CVA) is a major health problem and the most common neurological disease affecting 5.5 million individuals around the world annually. The present study aimed to assess the effective factors in CVA and determine the performance of data mining algorithm in predicting the disease. Methods: This retrospective, cross-sectional, descriptive-analytical study used Crisp as one of the most powerful data mining techniques. The data were analyzed using SPSS Modeler 14.2 and neural network algorithm. Results: According to the findings, the overall accuracy of the neural network model was 89.7%, which reflects the strength of this model in predicting the risk of CVA. Indeed, this model predicted the risk factors of diabetes as the most important factor in the risk of CVA. Age, trauma, and atherosclerosis were also determined as other risk factors. Conclusion: According to this study, diabetic patients were more prone to CVA. Additionally, the risk of this disease increased with age. Therefore, effective measures are recommended to be taken for diagnosis and treatment of diabetes surveillance by establishing clinics and performing periodic screening. Keywords: Data mining, Neural networks, Cerebrovascular accident, Risk factors, Prediction of the probability risk