مقایسه سه مدل تصمیم گیری در افتراق پنج نوع بیماری قلبی (مطالعه موردی: بیمارستان فوق تخصصی قائم کرج)
Publish place: Journal of Health & Biomedical Informatics، Vol: 5، Issue: 4
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 10
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JHBMI-5-4_004
تاریخ نمایه سازی: 9 مرداد 1403
Abstract:
مقدمه: بیماریهای قلبی- عروقی در حال تبدیلشدن به اصلیترین عامل مرگ ومیر و ناتوانی بشر در اغلب کشورهای دنیا هستند. هدف از انجام این پژوهش، پیشبینی انواع بیماریهای قلبی جهت تشخیص دقیقتر به وسیله تکنیکهای دادهکاوی و شبکه عصبی میباشد.
روش: این پژوهش به صورت کاربردی-پیمایشی انجام و پس از پیشپردازش دادهها از سه رویکرد شبکه عصبی، درخت تصمیمگیری و الگوریتم ساده بیزی برای پیشبینی و تشخیص در نرم افزار Rapid miner و از مدل شبکه عصبی مصنوعی برای پیشبینی در نرمافزار Matlab استفاده شد.
نتایج: از الگوریتم ژنتیک برای انتخاب متغیرهای موثر و برای پیشبینی انواع بیماری قلبی، در دادهکاوی از مدلهای شبکه عصبی مصنوعی، درخت تصمیمگیری و الگوریتم ساده بیزی استفاده شد. همچنین از مدل AHP برای تعیین مدل با بهترین عملکرد پیشبینی انواع بیماریهای قلبی استفاده شد.
نتیجه گیری: شبکه عصبی عملکرد بسیار بهتری نسبت به مدلهای دادهکاوی دیگر ارائه شده در تشخیص انواع بیماریهای قلبی در این پژوهش دارد. همچنین در تشخیص بیماری به وسیله شبکه عصبی مصنوعی، مدل با دقت بالای ۸۰ درصد، خوب و مورد قبول واقع شد.
Keywords:
Data mining , Neural network , Decision tree , Heart disease , Diagnosis , داده کاوی , شبکه عصبی , درخت تصمیم , بیماری قلبی , تشخیص
Authors
راحیل موسوی
PhD. Student in Industrial Engineering, Faculty of Technical and Engineering, Research and Science University, Tehran, Iran
محمدمهدی سپهری
Tarbiat Modares university
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :