توسعه یک مدل یادگیری ماشین بانظارت برای پیش بینی مرگ بیماران مبتلا به شوک کاردیوژنیک ناشی از انفارکتوس قلبی

مطالعات متعددی نشان می دهند که میزان مرگ بیماران بستری شده به دلیل ابتلا به انفارکتوس میوکارد با افزایش قطعه ST (STEMI) در صورت وقوع شوک کاردیوژنیک (CS) به طور قابل ملاحظه ای افزایش می یابد. مشخصات دموگرافیک بیمار، نوع انفارکتوس قلبی، علایم بالینی، و روش های درمانی اتخاذشده توسط پزشکان از عوامل موثر در مرگ بیماران STEMI-CS است. در این پژوهش، یک مدل ترکیبی یادگیری ماشین نظارتی با استفاده از الگوریتم بهینه سازی آنتی کرونا (ACVO) و ماشین بردار پشتیبان (SVM) برای پیش بینی مرگ بیماران بستری شده به علت عارضه STEMI-CS ارایه شده است. مدل پیشنهادی همچنین در تعیین موثرترین پارامترها در مرگ بیماران نیز مفید است.

به منظور پیش بینی وضعیت بیماران مبتلا به STEMI-CS، روش ACVO-SVM ارایه شده است که با دریافت علایم بیمار، مشخصات دموگرافیک، و سابقه درمانی صورت گرفته، تشخیص می دهد که بیمار زنده خواهد ماند یا خیر. روش پیشنهادی از ترکیب الگوریتم ACVO و مدل SVM ساخته شده است. دلیل استفاده از الگوریتم ACVO، انتخاب مجموعه پارامترهای موثر در پیش بینی وضعیت بیماران و تعیین مقادیر بهینه برای پارامترهای مدل SVM است تا سیستم یادگیر کیفیت بیشتری در فرآیند آموزش داشته و کارایی مطلوبی در دسته بندی داده ها فراهم کند. برای ارزیابی مدل پیشنهادی از یک مجموعه داده حاوی اطلاعات 410 بیمار بستری شده STEMI-CS در بیمارستان شهید مدنی دانشگاه علوم پزشکی تبریز، استفاده شده است. داده های جمع آوری شده مربوط به یک دوره 10 ساله از سال 1388 تا 1397 است.

مدل پیشنهادی ACVO-SVM با مدل های پیش بینی کننده مطرحی همچون رگرسیون LASSO، سیستم استنتاج فازی-عصبی تطبیقی (ANFIS)، مدل گرادیان تقویت شدید (XGBoost) و مدل SVM استاندارد مقایسه شده است. نتایج آزمایش ها نشان می دهند که مدل ACVO-SVM در قیاس با همتایان خود از کارایی طبقه بندی بهتری برخوردار است. نتایج بر روی مجموعه داده آزمون نشان داد که مشخصه سن، جنسیت، نوع انفارکتوس قلبی، مصرف سیگار، مداخلات عروقی از راه پوست و جراحی بای پس عروق کرونری به عنوان موثرترین عوامل در مرگ بیماران STEMI-CS هستند.

در این مطالعه، یک مدل یادگیری ماشین نظارتی برای تعیین وضعیت بیماران STEMI-CS ارایه شده است. نتایج به دست آمده حاکی از آن است که مدل پیشنهادی ACVO-SVM به سادگی بر روی مجموعه داده های آموزشی مختلف قابل آموزش بوده و توانایی مناسبی برای دسته بندی بیماران دارد. در این پژوهش، ارزیابی مدل ها بر روی یک مجموعه داده کوچک صورت گرفت. بنابراین، یکی از کارهای لازم برای بهبود این پژوهش، ارزیابی روش پیشنهادی و سایر مدل های همتا بر روی مجموعه داده های بزرگ به منظور تعیین نقاط قوت و ضعف آن ها است.