پیشبینی میزان مرگومیر بیماران مبتلا به نارسایی قلبی با استفاده از اطلاعات بالینی آنها توسط الگوریتمهای یادگیری ماشین

بیماری های قلبی عروقی سالانه حدود ۱۷ میلیون نفر را در سراسر جهان میکشند و عمدتا به صورت سکته و نارسایی قلبی ظاهر می شوند. نارسایی قلبی (HF) زمانی اتفاق میافتد که قلب نتواند خون کافی برای پاسخگویی به نیازهای بدن پمپاژ کند. سوابق پزشکی موجود از بیماران که شامل، علائم کیفی بیمار، ویژگیهای بدنی و مقادیر آزماشگاهی بالینی میباشد را میتوان برای تجزیه وتحلیلهای آماری استفاده کرد تا الگوها و روابط بین عوامل مختلفی را که پزشکان نمیتوانند متوجه شوند، استخراج نمود. یادگیری ماشین میتواند مرگ ومیر بیماران را از روی داده های آنها پیشبینی کند و همچنین مهمترین ویژگیها را در میان مواردی که در پرونده پزشکی آنها گنجانده شده است، مشخص کند. در این پژوهش ما بااستفاده از پایگاه دادهای متشکل از اطلاعات ۲۹۹ بیمار مبتلا به نارسایی قلبی همراه با برخی از مشخصات بالینی آنها و اعمال الگوریتم های یادگیری ماشین، میزان مرگ و میر بیماران را پیشبینی کردهایم. همچنین مهمترین عوامل در مرگ ومیر بیماران را نیز مشخص کردهایم. نتایج بررسی های ما و همچنین اعمال مدلهای مختلف یادگیری ماشین نشان داد که این روش پتانسیل بالایی در شناسایی ریسک مرگ مبتلایان به بیماریهای قلبی و عروقی را دارا است. با توجه به نتایج، از این روش به عنوان به عنوان یک یک ابزار مفید و همچنین یک دستیار کارآمد برای پزشکان استفاده کرد. در این پژوهش الگوریتم CatBoost با دقت نزدیک به ۹۰ درصد بهترین علمکرد را از خود نشان داد.

Keywords:

هوش مصنوعی , یادگیری ماشین , بیماریهای قلبی عروقی , پیشبینی مرگومیر بیماران , الگورتیم CatBoost