دوره 34، شماره 7 - ( مهر 1405 )
جلد 34 شماره 7 صفحات 10463-10451 |
برگشت به فهرست نسخه ها
Ethics code: IR.SSU.REC.1401.016
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Barzegari A, Abdulmaleki M, Mirzaei M. Prediction of Ischemic Heart Disease with A Hybrid Algorithm of Support Vector Machine (SVM) and Xgboost Using Data from Yazd Health Study (YaHS). JSSU 2026; 34 (7) :10451-10463
URL: http://jssu.ssu.ac.ir/article-1-6562-fa.html
URL: http://jssu.ssu.ac.ir/article-1-6562-fa.html
برزگری اعظم، عبدالملکی مهیار، میرزایی مسعود. پیش‌بینی بیماریهای ایسکمیک قلبی با الگوریتم ترکیبی Support Vector Machine (SVM) و XGBoost با استفاده از داده‌های مطالعه سلامت مردم یزد (یاس). مجله علمي پژوهشي دانشگاه علوم پزشكي شهید صدوقی يزد. 1405; 34 (7) :10451-10463
چکیده: (32 مشاهده)
مقدمه: یکی از شایع‌ترین بیماری‌ها با مرگ و میر بالا بیماری های ایسکمیک قلبی میباشد. هدف از این پژوهش ارائه ابزاری کارآمد برای تشخیص زودهنگام بیماری ایسکمیک قلبی و کمک به تصمیم‌گیری‌های بالینی، با استفاده از الگوریتم‌های ترکیبی هوش مصنوعی میباشد.
روش بررسی: داده‌های مورد استفاده در این تحقیق از فاز ثبت نام مطالعه سلامت مردم یزد (یاس) که شامل 9969 شرکت کننده و 30 ویژگی از 300 ویژگی این مجموعه داده جمع آوری شده از سال 1393 تا 1394 بود. داده ها با استفاده از الگوریتم‌های یادگیری ماشین SVM و XGBoost توسط نرمافزار پایتون نسخه 3.11.8 تجزیه و تحلیل گردید.
نتایج: با ترکیب نقاط قوت مدلهای SVM و XGBoost و با به کارگیری رویکرد Voting Classifier دقت و کارایی مدل پیش‌بینی بیماری ایسکمیک قلب بهبود یافت. نتایج تجزیه و تحلیل دادهها با استفاده از مدل Voting Classifier در پیش‌بینی بیماری ایسکمیک قلبی، دقت 90% را نشان داد.
نتیجه‌گیری: با استفاده از تکنیک یادگیری ماشین و الگوریتم‌های ترکیبی و با تشخیص و پیش‌بینی زودهنگام بیماری، می توان درمان مناسب را در مراحل اولیه انجام داد و باعث کاهش مرگ‌ومیر بیماران شد.
روش بررسی: داده‌های مورد استفاده در این تحقیق از فاز ثبت نام مطالعه سلامت مردم یزد (یاس) که شامل 9969 شرکت کننده و 30 ویژگی از 300 ویژگی این مجموعه داده جمع آوری شده از سال 1393 تا 1394 بود. داده ها با استفاده از الگوریتم‌های یادگیری ماشین SVM و XGBoost توسط نرمافزار پایتون نسخه 3.11.8 تجزیه و تحلیل گردید.
نتایج: با ترکیب نقاط قوت مدلهای SVM و XGBoost و با به کارگیری رویکرد Voting Classifier دقت و کارایی مدل پیش‌بینی بیماری ایسکمیک قلب بهبود یافت. نتایج تجزیه و تحلیل دادهها با استفاده از مدل Voting Classifier در پیش‌بینی بیماری ایسکمیک قلبی، دقت 90% را نشان داد.
نتیجه‌گیری: با استفاده از تکنیک یادگیری ماشین و الگوریتم‌های ترکیبی و با تشخیص و پیش‌بینی زودهنگام بیماری، می توان درمان مناسب را در مراحل اولیه انجام داد و باعث کاهش مرگ‌ومیر بیماران شد.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
