حجت امامی

زمینه و هدف: 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، علائم بالینی، و روش های 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 بهینه سازی آنتی کرونا (ACVO) و ماشین بردار پشتیبان (SVM) برای پیش بینی مرگ بیماران بستری شده 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 پیش بینی 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 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 مؤثر 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. یافته ها: 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 مؤثرترین عوامل در مرگ بیماران STEMI-CS هستند. نتیجه گیری: 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