التنبؤ بالسكتة الدماغية المتكررة باستخدام خوارزميات التعلم الآلي مع مجموعات البيانات السريرية العامة: تقييم أداء تجريبي
محتوى المقالة الرئيسي
الملخص
غالبًا ما تكون السكتة الدماغية المتكررة مدمرة وقادرة على التسبب في إعاقة شديدة أو الوفاة. ومع ذلك ، فإن ما يقرب من 90 ٪ من أسباب السكتة الدماغية المتكررة قابلة للتغير ، مما يعني أنه يمكن تجنب السكتات الدماغية المتكررة عن طريق التحكم في عوامل الخطر ، والتي هي في الأساس سلوكية واستقلابية بطبيعتها. وبالتالي ، يتضح من الأعمال السابقة أن نموذج التنبؤ بالسكتة الدماغية المتكررة يمكن أن يساعد في تقليل احتمالية الإصابة بسكتة دماغية متكررة. أظهرت الأعمال السابقة نتائج واعدة في التنبؤ بحالات السكتة الدماغية لأول مرة باستخدام أساليب التعلم الآلي. ومع ذلك ، هناك أعمال محدودة للتنبؤ بالسكتة الدماغية المتكررة باستخدام أساليب التعلم الآلي. ومن ثم ، تم اقتراح هذا العمل لإجراء تحليل تجريبي والتحقيق في خوارزميات التعلم الآلي المطبقة في نماذج التنبؤ بالسكتة الدماغية المتكررة. يهدف هذا البحث إلى التحقيق في أداء خوارزميات التعلم الآلي ومقارنتها باستخدام مجموعات البيانات السريرية العامة للسكتة الدماغية المتكررة. في هذه الدراسة ، تم استخدام الشبكة العصبية الاصطناعية (ANN) وآلة المتجهات الداعمة (SVM) وقائمة قواعد بايزي (BRL) ومقارنة أدائها في مجال نموذج التنبؤ بالسكتة الدماغية المتكررة. تظهر نتيجة التجارب التجريبية أن ANN سجلت أعلى دقة عند 80.00٪ ، تليها BRL بنسبة 75.91٪ و SVM بنسبة 60.45٪.
Received 14/10/2021
Accepted 14/11/2021
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Guide- Miss. B. M. Gund, Mrs. P. N. Jagtap, Mr. V. B. Ingale, and Dr. R. Y. Patil, "Stroke: A Brain Attack," IOSR Journal of Pharmacy, vol. 3, pp. 1-23, 2013.
American Heart Association. (2015, August 30). Prevention and Treatment of Diabetes. Available: https://www.heart.org/en/health-topics/diabetes/prevention--treatment-of-diabetes
R. Murugappan, "Protecting Against Stroke," in The Star, ed. Malaysia: Star Media Group Berhad 2017.
J. Burn, M. Dennis, J. Bamford, P. Sandercock, D. Wade, and C. Warlow, "Long-term risk of recurrent stroke after a first-ever stroke. The Oxfordshire Community Stroke Project," Stroke, vol. 25, pp. 333-337, 1994.
M. Awad and R. Khanna, Efficient learning machines: theories, concepts, and applications for engineers and system designers: Apress, 2015.
J. D. Spence, "Recent advances in preventing stroke recurrence," F1000Research, vol. 6, 2017.
H. Asadi, R. Dowling, B. Yan, and P. Mitchell, "Machine learning for outcome prediction of acute ischemic stroke post intra-arterial therapy," PloS one, vol. 9, p. e88225, 2014.
Arslan, A.K., Colak, C. and Sarihan, M.E., “Different medical data mining approaches based prediction of ischemic stroke,” Computer methods and programs in biomedicine, 130, pp.87-92, 2016.
Jeena, R.S. and Kumar, S., “Stroke prediction using SVM”. In 2016 International Conference on Control, Instrumentation, Communication and Computational Technologies (ICCICCT) (pp. 600-602). IEEE, 2016
Hung, C.Y., Chen, W.C., Lai, P.T., Lin, C.H. and Lee, C.C., “Comparing deep neural network and other machine learning algorithms for stroke prediction in a large-scale population-based electronic medical claims database”, In 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (pp. 3110-3113). IEEE, 2017.
Weng, S.F., Reps, J., Kai, J., Garibaldi, J.M. and Qureshi, N.,“Can machine-learning improve cardiovascular risk prediction using routine clinical data?”, PloS one, 12(4), p.e0174944, 2017.
Monteiro, M., Fonseca, A.C., Freitas, A.T., e Melo, T.P., Francisco, A.P., Ferro, J.M. and Oliveira, A.L., “Using machine learning to improve the prediction of functional outcome in ischemic stroke patients”, IEEE/ACM transactions on computational biology and bioinformatics, 15(6), pp.1953-1959, 2018.
Asadi, H., Dowling, R., Yan, B. and Mitchell, P., “Machine learning for outcome prediction of acute ischemic stroke post intra-arterial therapy”, PloS one, 9(2), p.e88225, 2014.
Colak, C., Karaman, E. and Turtay, M.G., “Application of knowledge discovery process on the prediction of stroke. Computer methods and programs in biomedicine”, 119(3), pp.181-185, 2015
Purusothaman, G. and Krishnakumari, P., “A survey of data mining techniques on risk prediction: Heart disease”, Indian Journal of Science and Technology, 8(12), p.1., 2015.
Sung, S.F., Hsieh, C.Y., Yang, Y.H.K., Lin, H.J., Chen, C.H., Chen, Y.W. and Hu, Y.H., “Developing a stroke severity index based on administrative data was feasible using data mining techniques”, Journal of clinical epidemiology, 68(11), pp.1292-1300, 2015.
Kirasich, K., Smith, T. and Sadler, B., “Random forest vs logistic regression: binary classification for heterogeneous datasets”. SMU Data Science Review, 1(3), p.9, 2018.
Okut, H., “Bayesian regularized neural networks for small n big p data”, Artificial neural networks-models and applications, pp.28-48, 2016.
Kim, J. and Canny, J., “Explainable Deep Driving by Visualizing Causal Attention”, In Explainable and Interpretable Models in Computer Vision and Machine Learning (pp. 173-193). Springer, Cham, 2018.