حامد صباغ گل - M.Sc in Computer Engineering, Faculty of Computer, Department of Computer Engineering, Payame Noor University (PNU), Iran

مقدمه: یکی از شایع ترین بیماری ها و علل مرگ و میر در دنیای امروز بیماری های قلبی است. استفاده از تکنیک های داده کاوی برای ایجاد مدل های پیشگویی کننده، جهت شناسایی افراد در معرض خطر برای کاهش عوارض ناشی از بیماری بسیار کمک کننده است. در این پژوهش با استفاده از درخت تصمیم C۴.۵ به روش های پیشگیری و تشخیص این بیماری پرداخته می شود. روش: این پژوهش از نوع کاربردی و توصیفی می­باشد. در این پژوهش از داده های استاندارد UCI و مجموعه داده Cleveland استفاده نمودیم. این پایگاه داده شامل ۲۹۷ رکورد می­باشد. تجزیه و تحلیل به کمک نرم افزار Weka با به­کارگیری متدولوژی CRISP۳ انجام شده است. در بخش مدل سازی درخت تصمیم C۴.۵ با به­کارگیری متغیرهای ورودی و تعیین متغیر هدف ایجاد شد. نتایج: با توجه به مدل استفاده شده مشخص شد که به ترتیب متغیرهای سطح بالای کلسترول، جنسیت، سن بالا، بالا بودن ماکزیمم ضربان قلب، اسکن تالیوم بالاتر از ۳ و نوار قلب غیرنرمال بیشترین تاثیر را در ابتلا به بیماری عروق کرونر قلبی دارا هستند. همچنین به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده است که می تواند به عنوان الگویی در جهت پیشگویی احتمال ابتلا افراد به بیماری عروق کرونر قلبی استفاده شود. صحت مدل ایجاد شده با استفاده از درخت تصمیم بیش از ۸۰ درصد بوده است. نتیجه گیری: با توجه به محاسبات انجام شده، نرخ دسته بندی برابر با ۷۲/۶% و دقت الگوریتم C۴.۵ برابر با ۸۰/۲% به­دست آمد که در مقایسه با نتایج مطالعات انجام شده در حوزه داده کاوی بیماری قلبی، دقت به­ دست آمده الگوریتم پیشنهادی قابل قبول است.

Data mining, Coronary artery disease, C۴.۵ Decision tree., داده کاوی, بیماری عروق کرونر قلبی, درخت تصمیم C۴.۵