رضوان متین فرد - دانشکده مهندسی کامپیوتر، موسسه آموزش عالی غیرانتفاعی یاسین، بروجرد، ایران
صبا تمیزی - دانشکده مهندسی صنایع و برنامه ریزی سیستمها، دانشگاه صنعتی اصفهان، اصفهان، ایران

در سال های اخیر استفاده از روش های داده کاوی روی حجم زیادی از داده ها با هدف تولید مدل ها و الگوهای پیش بینی کننده در حیطه های متعدد پزشکی رواج یافته است. با توجه به شیوع و سهمی که بیماری سکته قلبی در مرگ و میر انسان ها دارند، لذا پیش بینی صحیح وضعیت بیمار جهت به حداقل رساندن استفاده از روش های تهاجمی مثل آنژیوگرافی و...دارای اهمیت زیادی است، استفاده از تکنیک های داده کاوی برای پیش بینی سریع ابتلا به بیماری، کاهش عوارض ناشی ازآن وهزینه های کمتر بسیار کمک کننده است. این پژوهش با هدف استفاده از نتایج حاصل از داده کاوی جهت پیش بینی دقیق تر بیماری قلبی، تصمیم گیری موثرتر و بهتر درمان بیماران و کاهش هزینه ها صورت گرفته است. پژوهش حاضر از نوع کاربردی و توصیفی می باشد که در آن اطلاعات مربوط به 300 بیمار از مخزن انبار در سایت UCI استخراج شده و شامل 14 متغیر است. در این پژوهش از مدل شبکه ی عصبی مصنوعی و درخت تصمیم CART برای پیش بینی مبتلا بودن به سکته قلبی استفاده شده است و دقت و صحت و میزان خطا در هر دو روش بررسی گردید. براساس نتایج به دست آمده مشاهده می شود مدل شبکه ی عصبی با ساختار پرسپترون چند لایه با دقتی برابر 91/97 درصد بر مدل درخت تصمیم CART با دقتی برابر 75/56 درصد در پیش بینی ابتلا به سکته قلبی برتری دارد.

پیش بینی، سکته قلبی، درخت تصمیم گیری CART، شبکه عصبی مصنوعی