پیش بینی سکته قلبی با استفاده از داده کاوی و روش انتخاب ویژگی دو مرحله ای

سکته قلبی یکی از علل اصلی مرگ و میر در کشورهای در حال توسعه می باشد. هدف این مطالعه، ارزیابی عملکرد مدل های دسته بندی برای پیش بینی سکته قلبی است که از یک مدل انتخاب ویژگی مبتنی بر وزن دهی به وسیله SVM و الگوریتم ژنتیک، بهره می برد.
داده های این مطالعه از اطلاعات مراجعه کنندگان به بیمارستان تخصصی قلب شهید مدنی خرم آباد به دست آمده است که شامل 519 بیمار و 52 ویژگی می شود. مدل پیشنهادی ما استفاده از یک روش انتخاب ویژگی ترکیبی در کنار الگوریتم های دسته بندی، به منظور بهبود عملکرد مدل های پیش بینی، می باشد. در مرحله اول از این مدل، ویژگی ها توسط روش وزن دهی به وسیله SVM، و با توجه به وزن هر ویژگی انتخاب می شود. در مرحله دوم، ویژگی های انتخاب شده به الگوریتم ژنتیک وارد شده و ویژگی های نهایی انتخاب می شوند. هشت روش دسته بندی شامل بهینه سازی متوالی کمینه، REPTree، بیز ساده، ماشین بردار پشتیبان، شبکه عصبی پرسپترون چندلایه، جنگل تصادفی، نزدیکترین همسایگان و شبکه بیزین، برای پیش بینی سکته قلبی به ویژگی های انتخاب شده، اعمال می شوند.
بهترین نتایج، پس از اعمال روش انتخاب ویژگی پیشنهادی و توسط الگوریتم های نزدیکترین همسایگان، شبکه عصبی پرسپترون چندلایه و بهینه سازی متوالی کمینه به دست آمده است که به ترتیب برابر با 69/97درصد، 5/97درصد و 3/97درصد می باشد.
بر اساس نتایج این مطالعه، و بهبود عملکرد الگوریتم های دسته بندی، به نظر می رسد که به کارگیری استفاده از مدل انتخاب ویژگی پیشنهادی در کنار الگوریتم های دسته بندی می تواند یک روش قابل اطمینان برای پیش بینی سکته قلبی در نظرگرفته شود.