The Journal of Shahid Sadoughi University of Medical Sciences

fa پیش‌بینی بیماری‬های ایسکمیک قلبی با الگوریتم ترکیبی Support Vector Machine (SVM) و XGBoost با استفاده از داده‌های‬ مطالعه سلامت مردم یزد (یاس) Prediction of Ischemic Heart Disease with A Hybrid Algorithm of Support Vector Machine (SVM) and Xgboost Using Data from Yazd Health Study (YaHS) سایر other پژوهشي Original article <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Introduction: Ischemic heart disease represents one of the most prevalent conditions characterized by elevated mortality rates. The aim of this research was to provide an efficient instrument for the early diagnosis of ischemic heart disease and to assist clinical decision-making processes through the application of hybrid artificial intelligence algorithms. Methods: The data used in this study were from Yazd Health Study (YaHS) enrollment phase dataset, comprising 9969 participants and 30 selective features from a total of 300, collected between 2014 to 2015. Data were analyzed using SVM and XGBoost machine learning algorithms using Python version 3.11.8. Results: Combining the strengths of SVM and XGBoost models through a Voting Classifier approach enhanced both the accuracy and efficiency of the heart disease prediction model. When evaluating the predictive performance for heart disease, the Voting Classifier model achieved in accuracy rate of 90%. Conclusion: These findings suggest that implementing machine learning techniques and hybrid algorithms for early diagnosis and prediction could facilitate earlier intervention in CHD, ultimately helping to lower mortality rates.  </div> ایسکمیک قلبی, SVM, XGBoost, مطالعات سلامت مردم یزد Prediction, Ischemic heart disease, SVM, XGBoost, Voting Classifier, Yazd Health Study 10451 10463 http://jssu.ssu.ac.ir/browse.php?a_code=A-10-951-2&slc_lang=fa&sid=1 Azam Barzegari اعظم برزگری zmbarzegari@gmail.com 0009-0001-2221-2755 Yes Shahid Sadoughi University of Medical Sciences, Yazd, Iran معاونت تحقیقات و فناوری- دانشگاه علوم پزشکی شهید صدوقی، یزد، ایران Mahyar Abdulmaleki مهیار عبدالملکی abdolmalakmahyar@gmail.com 0000-0002-3043-5406 No M.Sc. in Computer Engineering – Software, Kurdistan, Iran کارشناسی ارشد مهندسی کامپیوتر- نرم افزار، کردستان ایران Masoud Mirzaei مسعود میرزایی Masoud_mirzaei@hotmail.com 0000-0001-6455-0747 No Yazd Cardiovascular Research Centre, Non-Communicable Diseases Institute, Shahid Sadoughi University of Medical Sciences, Yazd, Iran مرکز تحقیقات قلب و عروق، پژوهشکده بیماری‬های غیرواگیر دانشگاه علوم پزشکی شهید صدوقی، یزد، ایران