فرهاد سلیمانیان قره چپق

مقدمه: قلب یکی از ارگان های اصلی بدن انسان است و سالم نبودن آن عامل مهمی در مرگ ومیر انسان ها است. بیماری قلبی ممکن است بدون علامت باشد اما می توان از طریق آزمایش های پزشکی این نوع بیماری را پیش بینی و تشخیص داد. تشخیص بیماری قلبی به تجربیات زیاد پزشکان متخصص نیاز دارد. هدف مطالعه حاضر، تشخیص بیماری قلبی به منظور کمک به پزشکان برمبنای ترکیب الگوریتم بهینه سازی ملخ دودویی و k نزدیک ترین همسایه است. از الگوریتم بهینه سازی ملخ دودویی برای انتخاب ویژگی ها و از الگوریتم K نزدیک ترین همسایه برای طبقه بندی استفاده شده است. روش ها: این مطالعه از نوع توصیفی- تحلیلی بود.. در این مطالعه، پرونده پزشکی 270 بیمار در حوزه بیماری قلبی با تعداد 13 ویژگی بررسی شد. تعداد بیماران مبتلا برابر با 120 و فقدان بیماری برابر با 150 بود، لذا مجموعه داده در حالت متوازن است. اطلاعات بیماران از پایگاه داده استاندارد UCI استخراج شد. ارزیابی مدل پیشنهادی در شبیه سازی MATLAB انجام شد. یافته ها: با توجه به ارزیابی های انجام شده بر روی روش پیشنهادی، درصد صحت برابر با 8/89، درصد حساسیت برابر با 6/89 و درصد ویژگی برابر با 4/90 به دست آمد که در مقایسه با نتایج مطالعات انجام شده در حوزه بیماری قلبی، دقت به دست آمده روش پیشنهادی، قابل قبول است. همچنین، درصد صحت روش پیشنهادی برمبنای هفت ویژگی (Age, Sex, Chest Pain, BP, Electrocardiographic, Angina, Thallium) برابر با 3/90 درصد به دست آمد. نتیجه گیری: با توجه به نتایج حاصل از این مطالعه، برای تشخیص بیماری قلبی، روش پیشنهادی در تشخیص بیماری و انتخاب ویژگی های مهم نسبت به روش های قبلی بهتر عمل کرده است.

مقدمه: بیماری کبدی یکی از بیماری های شایع و خطرناک می باشد و تشخیص بهموقع این بیماری می تواند در پیشگیری از عوارض، کنترل و درمان بیماری بسیار موثر باشد. هدف پژوهش حاضر بهبود الگوریتم آدابوست با الگوریتم کرم شب تاب برای تشخیص بیماری کبد می باشد. روش ها: مطالعه حاضر، از نوع توصیفی-تحلیلی می باشد. مجموعه داده آن شامل 583 رکورد مستقل شامل 10 ویژگی موجود در مجموعه داده یادگیری ماشین دانشگاه کالیفرنیا، ایروین ((UCI) University of California, Irvine) می باشد. در این مقاله از ترکیب الگوریتم آدابوست و کرم شب تاب در راستای افزایش کارایی تشخیص بیماری کبد استفاده شده است. از 80 درصد داده ها جهت آموزش و از 20 درصد باقی مانده جهت آزمون استفاده شده است که این مبنا توسط ارزیابی های مختلف انتخاب شده است. یافته ها: نتایج نشان داد که عملکرد مدل ترکیبی با انتخاب ویژگی در مقایسه با حالت بدون انتخاب ویژگی بهتر است. البته انتخاب ویژگی های مهم در عملکرد مدل ترکیبی موثر هستند. درصد صحت (accuracy) مدل ترکیبی با پنج ویژگی در بهترین حالت برابر با 6/98 درصد و درحالت کلی و با تمام ویژگی ها برابر با 1/94 درصد است. در مقایسه کلی، مدل ترکیبی در مقایسه با اغلب مدل های داده کاوی از درصد صحت بیشتری برخوردار است. نتیجه گیری: با توجه به نتایج به دست آمده مطالعه حاضر، مدل ترکیبی در تشخیص و طبقه بندی افراد سالم و ناسالم می تواند نقش مؤثری در کمک به پزشکان داشته باشد و در مراکز پزشکی برای بالا بردن دقت، سرعت و کاهش هزینه ها می توان از این مدل استفاده نمود. نمی توان ادعا کرد که مدل ترکیبی در مقایسه با کل مدل ها بهتر است اما در مقایسه با بیشتر مدل ها دارای درصد صحت بیشتری است.