دوره 32، شماره 7 - ( مهر 1403 )
جلد 32 شماره 7 صفحات 8079-8067 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zarepour Ahmadabadi J, Zare Mehrjardi F, Ghanbary M, Mirzaei M. Identification of Effective Factors and Prediction of Ischemic Heart Disease Using Machine Learning Methods and Data from the Yazd Health Study (YaHS). JSSU 2024; 32 (7) :8067-8079
URL: http://jssu.ssu.ac.ir/article-1-6094-fa.html
URL: http://jssu.ssu.ac.ir/article-1-6094-fa.html
زارع پور احمدآبادی جمال، زارع مهرجردی فاطمه، قنبری مهدیه، میرزایی مسعود. شناسایی عوامل موثر و پیش‌بینی بیماری ایسکمیک قلبی با استفاده از روش‌های یادگیری ماشین و داده های طرح سلامت یزد (YaHS). مجله علمي پژوهشي دانشگاه علوم پزشكي شهید صدوقی يزد. 1403; 32 (7) :8067-8079
چکیده: (93 مشاهده)
مقدمه: بیماریهای قلبی و عروقی، از شایع‌ترین بیماری‌هایی است که آمار مرگ و میر بالایی را در جهان به خود اختصاص داده است. مقاله حاضر به شناسایی عوامل مختلف موثر بر بیماری های ایسکمیک قلبی و شناسایی افراد مستعد به آن با استفاده از انواع روش‌های یادگیری ماشین پرداخته است.
روش بررسی: پژوهش حاضر بر روی داده های طرح سلامت مردم یزد (یاس) انجام شده است. در این مطالعه، داده‌های مربوط به سلامت، بیماری‌ها و عوامل خطر مختلف نزدیک به 10000 نفر در قالب یک پرسش‌نامه با 300 سوال مختلف جمع‌آوری شده است. در این پژوهش، با استفاده از محاسبه هم‌بستگی متغیرهای مختلف جمع‌آوری شده در طرح یاس، عوامل مهمی که با بیماریهای ایسکمیک قلبی مرتبط هستند، جستجو شده‌اند. سسپس با استفاده از عوامل و الگوریتم‌های یادگیری ماشین، مشخصات افراد مستعد بیماری قلبی شناسایی شدند.
نتایج: نتایج ارزیابی‌ها نشان می‌دهد عواملی مانند سن، سابقه بیماری قلبی خانوادگی، فشارخون، دیابت، کلسترول خون، استرس، اضطراب، افسردگی، کیفیت زندگی، کیفیت خواب، فعالیت فیزیکی، مصرف دخانیات و تغذیه فرد با بیماری ایسکمیک قلبی ارتباط دارند. هم‌چنین از بین روش‌های یادگیری ماشین مختلف روش نزدیک‌ترین همسایگی با 5 خوشه، روش شبکه عصبی عمیق و پرسپترون چند لایه با معیار ارزیابی فراخوان به مقادیر 99/94%، 99/88% و 99/11% به ترتیب بهترین عملکرد را در شناسایی افراد بیمار داشته‌اند.
نتیجه‌گیری: کنترل عواملی از جمله فشارخون، دیابت، کلسترول، استرس، اضطراب، افسردگی، بهبود دادن عواملی مانند کیفیت زندگی، وضعیت خواب، فعالیت فیزیکی، الگوی تغذیه افراد و ترک مصرف دخانیات در ارتقا سلامت ساکنان یزد موثر است. از سوی دیگر شناسایی افراد مستعد بیماری های ایسکمیک قلبی با استفاده از روش‌های یادگیری ماشین نسبت به روش‌های سنتی غربالگری که با مراجعه به مراکز درمانی و پزشک و انجام آزمایش‌های مختلف صورت می‌گیرد، سریع‌تر و با صرف هزینه کمتر انجام می‌شود.
روش بررسی: پژوهش حاضر بر روی داده های طرح سلامت مردم یزد (یاس) انجام شده است. در این مطالعه، داده‌های مربوط به سلامت، بیماری‌ها و عوامل خطر مختلف نزدیک به 10000 نفر در قالب یک پرسش‌نامه با 300 سوال مختلف جمع‌آوری شده است. در این پژوهش، با استفاده از محاسبه هم‌بستگی متغیرهای مختلف جمع‌آوری شده در طرح یاس، عوامل مهمی که با بیماریهای ایسکمیک قلبی مرتبط هستند، جستجو شده‌اند. سسپس با استفاده از عوامل و الگوریتم‌های یادگیری ماشین، مشخصات افراد مستعد بیماری قلبی شناسایی شدند.
نتایج: نتایج ارزیابی‌ها نشان می‌دهد عواملی مانند سن، سابقه بیماری قلبی خانوادگی، فشارخون، دیابت، کلسترول خون، استرس، اضطراب، افسردگی، کیفیت زندگی، کیفیت خواب، فعالیت فیزیکی، مصرف دخانیات و تغذیه فرد با بیماری ایسکمیک قلبی ارتباط دارند. هم‌چنین از بین روش‌های یادگیری ماشین مختلف روش نزدیک‌ترین همسایگی با 5 خوشه، روش شبکه عصبی عمیق و پرسپترون چند لایه با معیار ارزیابی فراخوان به مقادیر 99/94%، 99/88% و 99/11% به ترتیب بهترین عملکرد را در شناسایی افراد بیمار داشته‌اند.
نتیجه‌گیری: کنترل عواملی از جمله فشارخون، دیابت، کلسترول، استرس، اضطراب، افسردگی، بهبود دادن عواملی مانند کیفیت زندگی، وضعیت خواب، فعالیت فیزیکی، الگوی تغذیه افراد و ترک مصرف دخانیات در ارتقا سلامت ساکنان یزد موثر است. از سوی دیگر شناسایی افراد مستعد بیماری های ایسکمیک قلبی با استفاده از روش‌های یادگیری ماشین نسبت به روش‌های سنتی غربالگری که با مراجعه به مراکز درمانی و پزشک و انجام آزمایش‌های مختلف صورت می‌گیرد، سریع‌تر و با صرف هزینه کمتر انجام می‌شود.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
