جلد 30، شماره 1 - ( 1-1402 )
جلد 30 شماره 1 صفحات 166-151 |
برگشت به فهرست نسخه ها
Research code: 0
Ethics code: 0
Clinical trials code: 0
دانشیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بناب، بناب، ایران ، emami@ubonab.ac.ir
چکیده: (928 مشاهده)
زمینه و هدف: مطالعات متعددی نشان می‌دهند که میزان مرگ بیماران بستری‌شده به دلیل ابتلا به انفارکتوس میوکارد با افزایش قطعه ST (STEMI) در صورت وقوع شوک کاردیوژنیک (CS) به طور قابل ملاحظه ای افزایش می‌یابد. مشخصات دموگرافیک بیمار، نوع انفارکتوس قلبی، علائم بالینی، و روش‌های درمانی اتخاذشده توسط پزشکان از عوامل مؤثر در مرگ بیماران STEMI-CS است. در این پژوهش، یک مدل ترکیبی یادگیری ماشین نظارتی با استفاده از الگوریتم بهینه‌سازی آنتی کرونا (ACVO) و ماشین بردار پشتیبان (SVM) برای پیش‌بینی مرگ بیماران بستری‌شده به علت عارضه STEMI-CS ارائه شده است. مدل پیشنهادی همچنین در تعیین مؤثرترین پارامترها در مرگ بیماران نیز مفید است.
روش کار: به منظور پیش‌بینی وضعیت بیماران مبتلا به STEMI-CS، روش ACVO-SVM ارائه شده است که با دریافت علائم بیمار، مشخصات دموگرافیک، و سابقه درمانی صورت گرفته، تشخیص می‌دهد 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 مؤثر در پیش‌بینی وضعیت بیماران و تعیین مقادیر بهینه برای پارامترهای مدل SVM است تا سیستم یادگیر کیفیت بیشتری در فرآیند آموزش داشته و کارایی مطلوبی در دسته‌بندی داده‌ها فراهم کند. برای ارزیابی مدل پیشنهادی از یک مجموعه داده حاوی اطلاعات 410 بیمار بستری‌شده STEMI-CS در بیمارستان شهید مدنی دانشگاه علوم پزشکی تبریز، استفاده شده است. داده‌های جمع‌آوری‌شده مربوط به یک دوره 10 ساله از سال 1388 تا 1397 است.
یافته‌ها: مدل پیشنهادی ACVO-SVM با مدل‌های پیش‌بینی کننده مطرحی همچون رگرسیون LASSO، سیستم استنتاج فازی-عصبی تطبیقی (ANFIS)، مدل گرادیان تقویت شدید (XGBoost) و مدل SVM استاندارد مقایسه شده است. نتایج آزمایش‌ها نشان می‌دهند که مدل ACVO-SVM در قیاس با همتایان خود از کارایی طبقه‌بندی 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 به‌عنوان مؤثرترین عوامل در مرگ بیماران STEMI-CS هستند.
نتیجه‌گیری: در این مطالعه، یک مدل یادگیری ماشین نظارتی برای تعیین وضعیت بیماران STEMI-CS ارائه شده است. نتایج به دست آمده حاکی از آن است که مدل پیشنهادی ACVO-SVM به سادگی بر روی مجموعه‌داده‌های آموزشی مختلف قابل آموزش بوده و توانایی مناسبی برای دسته‌بندی بیماران دارد. در این پژوهش، ارزیابی مدل‌ها بر روی یک مجموعه داده کوچک صورت گرفت. بنابراین، یکی از کارهای لازم برای بهبود این پژوهش، ارزیابی روش پیشنهادی و سایر مدل‌های همتا بر روی مجموعه داده‌های بزرگ به‌منظور تعیین نقاط قوت و ضعف آن‌ها است.
روش کار: به منظور پیش‌بینی وضعیت بیماران مبتلا به STEMI-CS، روش ACVO-SVM ارائه شده است که با دریافت علائم بیمار، مشخصات دموگرافیک، و سابقه درمانی صورت گرفته، تشخیص می‌دهد 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 مؤثر در پیش‌بینی وضعیت بیماران و تعیین مقادیر بهینه برای پارامترهای مدل SVM است تا سیستم یادگیر کیفیت بیشتری در فرآیند آموزش داشته و کارایی مطلوبی در دسته‌بندی داده‌ها فراهم کند. برای ارزیابی مدل پیشنهادی از یک مجموعه داده حاوی اطلاعات 410 بیمار بستری‌شده STEMI-CS در بیمارستان شهید مدنی دانشگاه علوم پزشکی تبریز، استفاده شده است. داده‌های جمع‌آوری‌شده مربوط به یک دوره 10 ساله از سال 1388 تا 1397 است.
یافته‌ها: مدل پیشنهادی ACVO-SVM با مدل‌های پیش‌بینی کننده مطرحی همچون رگرسیون LASSO، سیستم استنتاج فازی-عصبی تطبیقی (ANFIS)، مدل گرادیان تقویت شدید (XGBoost) و مدل SVM استاندارد مقایسه شده است. نتایج آزمایش‌ها نشان می‌دهند که مدل ACVO-SVM در قیاس با همتایان خود از کارایی طبقه‌بندی 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 به‌عنوان مؤثرترین عوامل در مرگ بیماران STEMI-CS هستند.
نتیجه‌گیری: در این مطالعه، یک مدل یادگیری ماشین نظارتی برای تعیین وضعیت بیماران STEMI-CS ارائه شده است. نتایج به دست آمده حاکی از آن است که مدل پیشنهادی ACVO-SVM به سادگی بر روی مجموعه‌داده‌های آموزشی مختلف قابل آموزش بوده و توانایی مناسبی برای دسته‌بندی بیماران دارد. در این پژوهش، ارزیابی مدل‌ها بر روی یک مجموعه داده کوچک صورت گرفت. بنابراین، یکی از کارهای لازم برای بهبود این پژوهش، ارزیابی روش پیشنهادی و سایر مدل‌های همتا بر روی مجموعه داده‌های بزرگ به‌منظور تعیین نقاط قوت و ضعف آن‌ها است.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |