fa تشخیص بیماری عروق کرونر قلبی با استفاده از درخت تصمیم C4.5 داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-size:14px;"><span style="font-family: tahoma;"><strong><span style="color: black;">مقدمه:</span></strong> یکی از شایع<span dir="LTR">‌</span>ترین بیماری‌ها و علل مرگ و میر در دنیای امروز بیماری‌های قلبی است. استفاده از تکنیک‌های داده‌کاوی برای ایجاد مدل‌های پیشگویی کننده، جهت شناسایی افراد در معرض خطر برای کاهش عوارض ناشی از بیماری بسیار کمک کننده است. در این پژوهش با استفاده از درخت تصمیم <span dir="LTR">C4.5</span> به روش‌های پیشگیری و تشخیص این بیماری پرداخته می‌شود.<br> <strong><span style="color: black;">روش:</span></strong> این پژوهش از نوع کاربردی و توصیفی می&shy;باشد. در این پژوهش از داده‌های استاندارد <span dir="LTR">UCI</span> و مجموعه داده <span dir="LTR">Cleveland</span> استفاده نمودیم. این پایگاه داده شامل 297 رکورد می&shy;باشد. تجزیه و تحلیل به کمک نرم‌افزار <span dir="LTR">Weka</span> با به&shy;کارگیری متدولوژی <span dir="LTR">CRISP3</span> انجام شده است. در بخش مدل‌سازی درخت تصمیم <span dir="LTR">C4.5</span> با به&shy;کارگیری متغیرهای ورودی و تعیین متغیر هدف ایجاد شد.<br> <strong><span style="color: black;">نتایج</span></strong><strong>:</strong> با توجه به مدل استفاده شده مشخص شد که به ترتیب متغیرهای سطح بالای کلسترول، جنسیت، سن بالا، بالا بودن ماکزیمم ضربان قلب، اسکن تالیوم بالاتر از 3 و نوار قلب غیرنرمال بیشترین تأثیر را در ابتلا به بیماری عروق کرونر قلبی دارا هستند. همچنین به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده است که می‌تواند به عنوان الگویی در جهت پیشگویی احتمال ابتلا افراد به بیماری عروق کرونر قلبی استفاده شود. صحت مدل ایجاد شده با استفاده از درخت تصمیم بیش از 80 درصد بوده است.<br> <strong>نتیجه‌گیری:</strong> با توجه به محاسبات انجام شده، نرخ دسته‌بندی برابر با 72/6% و دقت الگوریتم <span dir="LTR">C4.5</span> برابر با 80/2% به&shy;دست آمد که در مقایسه با نتایج مطالعات انجام شده در حوزه داده‌کاوی بیماری قلبی، دقت به&shy; دست آمده الگوریتم پیشنهادی قابل قبول است.</span></span><br> &nbsp;</div> <div style="text-align: justify;"><strong>Introduction:</strong> Today, one of the most common diseases and causes of death in the world is heart diseases. Data mining techniques are very useful to create predictive models for identifying people at risk and decreasing the disease complications. In this study, using C4.5 decision tree method, the prevention and diagnosis of this disease are discussed.<br> <strong>Methods:</strong> This was an applied descriptive study. UCI standard data and Cleveland data collection were used. The database contains 297 records. Analysis was performed through Weka software and using CRISP3 methodology. The C4.5 decision tree model, using input variables and determining the target variable, was created.<br> <strong>Results:</strong> According to the applied model, it was found that high levels of cholesterol, sex, age, high maximum heart rate, scan thallium higher than 3 and abnormal ECG have the greatest impact on the risk of coronary heart disease. Furthermore, by using the created decision tree, some rules were extracted that can be used as a model to predict the risk of coronary heart disease. The accuracy of the model created by using decision tree was over 80 percent.<br> <strong>Conclusion</strong>: According to our calculations, the rate of categorization was 72.6% and the accuracy of C4.5 algorithm was 80.2% that in comparison with the results of studies in the field of data mining of heart diseases, the obtained accuracy for the suggested algorithm is acceptable.<br> &nbsp;</div> داده‌کاوی, بیماری عروق کرونر قلبی, درخت تصمیم C4.5 Data mining, Coronary artery disease, C4.5 Decision tree. 287 299 http://jhbmi.ir/browse.php?a_code=A-10-247-1&slc_lang=fa&sid=1 Hamed Sabbagh Gol حامد صباغ گل hamedsabbagh@gmail.com 10031947532846003572 10031947532846003572 Yes M.Sc in Computer Engineering, Faculty of Computer, Department of Computer Engineering, Payame Noor University (PNU), Iran کارشناسی ارشد مهندسی کامپیوتر گرایش نرم‌افزار، مربی، عضو هیات علمی گروه کامپیوتر، دانشگاه پیام نور، ایران