The Journal of Shahid Sadoughi University of Medical Sciences

fa شناسایی عوامل موثر و پیش‌بینی بیماری ایسکمیک قلبی با استفاده از روش‌های یادگیری ماشین و داده های طرح سلامت یزد (YaHS) Identification of Effective Factors and Prediction of Ischemic Heart Disease Using Machine Learning Methods and Data from the Yazd Health Study (YaHS) قلب Cardiovascular پژوهشي Original article <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Introduction: Ischemic heart diseases are one of the most common diseases that cause high mortality worldwide. This article has identified various factors affecting heart disease and identified susceptible people using various machine learning methods. Methods: The current research was conducted on the Yazd Health Study (YaHS) database. YaHS was conducted on adults aged 20-70 years who were residents of Yazd Greater Area and collected information on the health and various diseases of nearly 10,000 people in the form of a questionnaire with 300 different questions. In this research, by using the correlation of questions with heart disease, the most important factors of heart disease have been identified. By using the identified factors and machine learning algorithms, susceptible people with heart disease have been identified. Results: The results of the evaluations have shown that factors such as age, family history of heart disease, blood pressure, diabetes, blood cholesterol, stress, anxiety, depression, quality of life, quality of sleep, physical activity, smoking, and diet have an effect on heart disease. Likewise, among the different machine learning methods, the nearest neighbor method, the deep neural network method, and the multi-layer perceptron method with a recall criterion of 99.94%, 99.88%, and 99.11% have performed the best in the identifying sick people, respectively. Conclusion: According to the findings of the research, it can be understood that by controlling factors such as blood pressure, diabetes, blood cholesterol, stress, anxiety, and depression, changing factors such as quality of life, sleep status, physical activity, and eating patterns of people and quitting smoking, it is possible to move towards improving the health of society. On the other hand, the identification of people prone to heart disease using machine learning methods is done faster and at a lower cost than the traditional methods that are done by referring to medical centers and doctors and performing various tests.  </div> بیماری ایسکمیک قلبی, یادگیری ماشین, عوامل موثر, عوامل خطر Heart disease, Machine learning, Disease factors, Risk factors. 8067 8079 http://jssu.ssu.ac.ir/browse.php?a_code=A-10-5144-1&slc_lang=fa&sid=1 Jamal Zarepour Ahmadabadi جمال زارع پور احمدآبادی zarepourjamal@yazd.ac.ir 0000-0002-3329-5357 Yes Department of Computer Science, Yazd University, Yazd, Iran. گروه علوم کامپیوتر، دانشگاه یزد، یزد، ایران. Fatemeh Zare Mehrjardi فاطمه زارع مهرجردی fzare@meybod.ac.ir 0009-0001-3268-0114 No Department of Computer Engineering, Meybod University, Meybod, Yazd, Iran. گروه مهندسی کامپیوتر، دانشگاه میبد، میبد، یزد، ایران. Mahdieh Ghanbary مهدیه قنبری mahdieh_ghanbari@yahoo.com 0000-0002-5084-2770 No Cardiac Rehabilitation Center, Yazd Cardiovascular Research Center, Non-Communicable Diseases Research Institute, Shahid Sadoughi University of Medical Sciences, Yazd, Iran. مرکز بازتوانی قلب، مرکز تحقیقات قلب و عروق، پژوهشکده بیماریهای غیرواگیر، دانشگاه علوم پزشکی شهید صدوقی، یزد، ایران. Masoud Mirzaei مسعود میرزایی masoud_mirzaei@hotmail.com 0000-0001-6455-0747 No Non-Communicable Diseases Research Institute, Yazd Cardiovascular Research Center, Shahid Sadoughi University of Medical Sciences, Yazd, Iran. پژوهشکده بیماریهای غیرواگیر، مرکز تحقیقات قلب و عروق، دانشگاه علوم پزشکی شهید صدوقی، یزد، ایران.