تعتبر امراض القلب المسبب الأساسي للموت أخر ١٠ سنوات. يسخدم الباحثون عدة خوارزميات تنقيب عن معطيات لمساعدة خبراء الطب بالكشف عن مرض القلب. أشجار القرار واحدة من أكثر التقنيات استخداما في هذا المجال.
أغلب الأبحاث قامت بتطبيق أشجار قرار J4.8 بالاعتماد على نسبة الربح والتقدير الثنائي.
فهرس جيني والمعلومات المكتسبة انماط ناجحة أخرى من أشجار القرار ولكنها أقل استخداما في تشخيص أمراض القلب.
أيضا تقنيات تقدير أخرى, مثل طريقة التصويت، والتشذيب المقلل للخطأ معروفون بانهم يعطوا أشجار قرار أكثر دقة.
في هذا البحث نقوم باكتشاف تطبيق مجالات مختلفة من التقنيات والأنماط المختلفة من أشجار القرار للبحث عن أفضل أداء لتشخيص مرض القلب.
Heart disease is the leading cause of death in the world over the past 10 years. Researchers have been using several data mining techniques to help health care
professionals in the diagnosis of heart disease. Decision Tree is one of the successful data mining techniques used. However, most research has applied J4.8 Decision Tree, based on Gain Ratio and binary discretization. Gini Index
and Information Gain are two other successful types of Decision Trees that are less used in the diagnosis of heart disease. Also other discretization techniques, voting method, and reduced error pruning are known to produce
more accurate Decision Trees. This research investigates applying a range of techniques to different types of Decision Trees seeking better performance in heart disease diagnosis. A widely used benchmark data set is
used in this research. To evaluate the performance of the alternative Decision Trees the sensitivity, specificity, and accuracy are calculated. The research proposes a model that outperforms J4.8 Decision Tree and Bagging algorithm in the diagnosis of heart disease patients.
Artificial intelligence review:
Research summary
تُعد أمراض القلب السبب الرئيسي للوفاة في العالم على مدى السنوات العشر الماضية. استخدم الباحثون تقنيات التنقيب عن البيانات لمساعدة المتخصصين في الرعاية الصحية في تشخيص أمراض القلب. تُعد شجرة القرار واحدة من التقنيات الناجحة المستخدمة في هذا المجال. ومع ذلك، فإن معظم الأبحاث قد طبقت شجرة القرار J4.8، التي تعتمد على نسبة الكسب والتجزئة الثنائية. هناك أنواع أخرى ناجحة من أشجار القرار مثل مؤشر جيني وكسب المعلومات التي تُستخدم بشكل أقل في تشخيص أمراض القلب. كما أن هناك تقنيات تجزئة أخرى، وطريقة التصويت، وتقليص الخطأ المعروف لإنتاج أشجار قرار أكثر دقة. تبحث هذه الدراسة في تطبيق مجموعة من التقنيات على أنواع مختلفة من أشجار القرار لتحقيق أداء أفضل في تشخيص أمراض القلب. تم استخدام مجموعة بيانات مرجعية شائعة في هذا البحث. لتقييم أداء أشجار القرار البديلة، تم حساب الحساسية، النوعية، والدقة. يقترح البحث نموذجًا يتفوق على شجرة القرار J4.8 وخوارزمية Bagging في تشخيص مرضى القلب.
Critical review
تُعد الدراسة خطوة مهمة نحو تحسين دقة تشخيص أمراض القلب باستخدام تقنيات التنقيب عن البيانات. ومع ذلك، هناك بعض النقاط التي يمكن تحسينها. أولاً، كان من الممكن توسيع نطاق البيانات المستخدمة لتشمل مجموعات بيانات أكبر وأكثر تنوعًا لضمان تعميم النتائج. ثانيًا، على الرغم من أن الدراسة تناولت عدة تقنيات، إلا أن هناك تقنيات أخرى في مجال التعلم الآلي لم يتم استكشافها والتي قد تُقدم نتائج أفضل. أخيرًا، كان من الممكن تقديم تحليل أكثر تفصيلًا حول تأثير كل تقنية على دقة التشخيص بشكل منفصل قبل دمجها في النموذج النهائي.
Questions related to the research
-
ما هي التقنيات المستخدمة في تحسين دقة تشخيص أمراض القلب في هذه الدراسة؟
تم استخدام تقنيات متعددة مثل شجرة القرار بمختلف أنواعها (مؤشر جيني، كسب المعلومات، ونسبة الكسب)، تقنيات تجزئة البيانات (تجزئة متساوية العرض، تجزئة متساوية التردد، تجزئة تشي، وتجزيء الإنتروبيا)، وطريقة التصويت، وتقليص الخطأ.
-
ما هي مجموعة البيانات المستخدمة في هذه الدراسة؟
تم استخدام مجموعة بيانات Cleveland Clinic Foundation Heart Disease المتاحة على الإنترنت، والتي تحتوي على 303 صفوف و13 سمة.
-
ما هي النتائج الرئيسية التي توصلت إليها الدراسة؟
توصلت الدراسة إلى أن استخدام تجزئة التردد المتساوي مع شجرة القرار Gain Ratio وطريقة التصويت بتقسيم البيانات إلى تسعة أجزاء يُحقق أعلى دقة في تشخيص أمراض القلب بنسبة 84.1%.
-
ما هي الفوائد المحتملة لتطبيق نتائج هذه الدراسة في المجال الطبي؟
يمكن أن تُساهم نتائج هذه الدراسة في تحسين دقة تشخيص أمراض القلب، مما يُساعد المتخصصين في الرعاية الصحية على اتخاذ قرارات أفضل وأسرع، وبالتالي تحسين نتائج العلاج وتقليل معدلات الوفيات.
References used
Anbarasi, M., E. Anupriya, et al. (2010). "Enhanced Prediction of Heart Disease with Feature Subset Selection using Genetic Algorithm." International Journal of Engineering Science and Technology Vol. 2(10)
Andreeva, P. (2006). "Data Modelling and Specific Rule Generation via Data Mining Techniques." International Conference on Computer Systems and Technologies - CompSysTech.
Prenatal detection of congenital heart disease is possible from the 16th week of
pregnancy. the ideal time being the Midtrimester ,when the most cardiac abnormalities can be detected
,where all routine cross sectional views are easily obtainable.
To evaluate the detection and accuracy of fetal echocardiography for congenital heart defects among high
risk pregnancies.
Background: longitudinal and radial systolic function are weakened by cardiac diseases and
longitudinal one is weakened first. Assessment of left ventricular LV systolic function is important
in management and prognosis of cardiac diseases. Mitral
The role of the inflammatory process in atherosclerosis and its development has been confirmed, as many inflammatory factors intervene in the vasculitis process, which leads to damage to the endothelium, which is the early event in the process of atherosclerosis.
Reumatic fever and rheumatic heart desease are still common and major
public health problems in developing countries, include Syria. For their the
study aims to present state and characteristics of RF in the last 10 year. and
to determine the rule
This study tries to assess the potential anti-atherosclerotic role of adiponectin. It includes 54 patients at Al-Assad University Hospital in Lattakia, who are candidates for catheterization, and control group of 25 individuals.
Serum adiponectin