این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم پیراپزشکی و توانبخشی، جلد ۳، شماره ۲، صفحات ۲۶-۳۵
عنوان فارسی مقایسه عملکرد درخت تصمیم گیری و شبکه عصبی در پیشگویی ابتلا به آنفارکتوس قلبی
چکیده فارسی مقاله هدف: بیماری های قلبی عروقی از شایع ترین بیماری ها در تمامی جوامع می باشد. استفاده از تکنیک های داده‌کاوی برای ایجاد مدل‌های پیش‌گویی کننده، جهت شناسایی افراد در معرض خطر برای کاهش عوارض ناشی از بیماری بسیار کمک کننده است. هدف اصلی این مطالعه پیشگویی احتمال ابتلا افراد به آنفارکتوس قلبی با استفاده از درخت تصمیم بر اساس ریسک فاکتورهای موثر بر ابتلاست. روش بررسی: این پژوهش از نوع تحلیلی بوده و پایگاه داده آن شامل 350 رکورد می باشد. داده های مورد نیاز این تحقیق در سال 1390با استفاده از جدول مورگان از بین پرونده بیماران مراجعه کننده به بیمارستان شهید رجایی تهران بدست آمده است ابزار جمع آوری داده‌ها چک لیستی چهار قسمتی بوده است.تجزیه و تحلیل به کمک نرم افزار SPSS Clementine 12 با بکارگیری متدولوژی (Cross Industry Standard Process For Data Mining; CRISP) انجام شده است. در بخش مدل‌سازی از درخت تصمیم و شبکه عصبی استفاده شده است. یافته ها: با توجه به مدل‌های استفاده شده مشخص شد که به ترتیب متغیرهای فشارخون بالا، چربی خون بالا و مصرف سیگار، بیشترین تاثیر را در ابتلا به آنفارکتوس قلبی دارا بودند. به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده است که می تواند به عنوان الگویی در جهت پیشگویی احتمال ابتلا افراد به آنفارکتوس قلبی استفاده شود. صحت مدل ایجاد شده با استفاده از درخت تصمیم 93/4 درصد بوده است. نتیجه گیری: بهترین مدل ایجاد شده درخت تصمیم C5 بود. با بکارگیری قوانین ایجاد شده برای یک نمونه جدید با ویژگیهای مشخص می توان تعیین کرد که احتمال ابتلا به آنفارکتوس قلبی چقدر است. 1Cross Industry Standard Process For Data Mining
کلیدواژه‌های فارسی مقاله درخت تصمیم، شبکه عصبی، آنفارکتوس قلبی، داده کاوی،
عنوان انگلیسی Comparing performance of decision tree and neural network in predicting myocardial infarction
چکیده انگلیسی مقاله Purpose: Cardiovascular diseases are among the most common diseases in all societies. Using data mining techniques to generate predictive models to identify those at risk for reducing the effects of the disease is very helpful. The main purpose of this study was to predict the risk of myocardial infarction by Decision Tree based on the observed risk factors. Methods: The present work was an analytical study conducted on a database containing 350 records. Data were obtained from patients admitted to Shahid Rajaei specialized cardiovascular hospital, Iran, in 2011. Data were collected using a four-sectioned data collection form. Data analysis was performed using SPSS statistical software version 12 by CRISP methodology. In the modeling section decision tree and Neural Network were used. Results: The results of the data mining showed that the variables of high blood pressure, hyperlipidemia and tobacco smoking were the most critical risk factors of myocardial infarction. The accuracy of the decision tree model on the data was shown to be as 93/4%. Conclusion: The best created model was decision tree C5.0. According to the created rules, it can be predicted which patient with new specified features may affected by myocardial infarction.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله رضا صفدری | r safdari
associate professor, health information management department, school of allied medicine, tehran university of medical sciences, tehran, iran
دانشیار، عضو هیئت علمی گروه آموزشی مدیریت اطلاعات سلامت، دانشکده پیراپزشکی،دانشگاه علوم پزشکی تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی تهران (Tehran university of medical sciences)

مرجان قاضی سعیدی | m ghazi saeedi
assistant professor, department of health information management ,school of allied medicine , tehran university medical sciences, tehran, iran
استادیار، عضو هیئت علمی گروه آموزشی مدیریت اطلاعات سلامت، دانشکده پیراپزشکی دانشگاه علوم پزشکی تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی تهران (Tehran university of medical sciences)

منوچهر قارونی | m gharooni
professor of cardiology, tehran university of medical sciences, tehran, iran
استاد بیماریهای قلب و عروق, دانشگاه علوم پزشکی تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی تهران (Tehran university of medical sciences)

مهدی نصیری | m nasiri
phd student of ai , iran university of science and technology, tehran, iran
دانشجوی دکترای هوش مصنوعی، دانشگاه علم و صنعت ایران،تهران،ایران
سازمان اصلی تایید شده: دانشگاه علم و صنعت ایران (Iran university of science and technology)

گلی ارجی | g argi
phd student of health information management, school of allied medicine, tehran university of medical sciences, tehran, iran
دانشجوی دکترای مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی تهران (Tehran university of medical sciences)

نشانی اینترنتی http://jpsr.mums.ac.ir/article_3319.html
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات