- MỘT CÁCH TIẾP CẬN TRONG KHAI PHÁ DỮ LIỆU ĐỂ CHẨN ĐOÁN BỆNH TIM CHO BỆNH NHÂN NGOẠI TRÚ. - Bệnh tim mạch là một trong những nguyên nhân gây tử vong cao nhất hiện nay. - Với sự phát triển của Công nghệ, người ta có thể sử dụng các thiết bị không dây, thiết bị cảm ứng tích hợp trên cơ người để thu thập liên tục dữ liệu về tình trạng sức khỏe của bệnh nhân nội trú cũng như ngoại trú. - Trong luận văn này, chúng tôi nghiên cứu một cách tiếp cận trong khai phá dữ liệu để chẩn đoán bệnh tim cho bệnh nhân ngoại trú.. - Quá trình chẩn đoán được thực hiện qua hai bước. - Trong bước thứ nhất, bệnh nhân được chẩn đoán về nguy cơ mắc bệnh dựa vào luật kết hợp.. - Luật kết hợp được tìm ra dựa vào dữ liệu lâm sàng. - Dữ liệu lâm sàng của bệnh nhân được tiền xử lý và sau đó được khai phá để tìm luật kết hợp dựa trên thuật toán Apriori. - Sau bước này, dựa trên kết quả chẩn đoán, bác sĩ sẽ quyết định những bệnh nhân nào có nguy cơ bị bệnh tim mạch cao sẽ tiếp tục được chẩn đoán thêm ở bước sau. - Ở bước chẩn đoán thứ hai này sẽ áp dụng thuật toán GNG trên tập dữ liệu về sự thay đổi nhịp tim. - Dữ liệu điện tâm đồ biểu diễn sự thay đổi nhịp tim của bệnh nhân được thu trong các hoạt động hằng ngày. - Thuật toán GNG được áp dụng để khai phá dữ liệu đã được tiền xử lý. - Thuật toán này đáp ứng được yêu cầu của việc học liên tục và GNG có khả năng huấn luyện với dữ liệu mới nhưng không quên những mẫu đã được huấn luyện từ trước. - Một số thực nghiệm được thực hiện để đánh giá độ chính xác của phương pháp chẩn đoán. - Từ kết quả thu được, ta có thể thấy rằng, phương pháp này có thể áp dụng trong hệ một hệ thống y tế để hỗ trợ việc chẩn đoán sớm những trường hợp tim mạch bất bình thường, phòng tránh các hậu quả nghiêm trọng, đặc biệt có thể theo dõi bệnh nhân ngoại trú và ứng cứu kịp thời trong trường hợp cần thiết.. - 2 Cơ sở lý thuyết 5 2.1 Giới thiệu về bệnh tim mạch. - 2.2 Các hệ thống chuẩn đoán bệnh Tim. - 2.2.1 Các Hệ thống chẩn đoán dựa vào chỉ số nguy cơ mắc bệnh tim 7 2.2.2 Hệ thống hỗ trợ chuẩn đoán bệnh Tim mạch sử dụng kỹ thuật khai phá dữ liệu. - 2.3 Một số thuật toán khai phá dữ liệu. - 2.3.3 Thuật toán Mạng Perceptron nhiều lớp. - 3 Quá trình chẩn đoán bệnh tim dựa trên kỹ thuật khai phá dữ liệu 24 3.1 Tổng quan quá trình chẩn đoán. - 3.2 Chẩn đoán bệnh Tim mạch dựa trên các thông tin lâm sàng. - 3.2.1 Tiền xử lý Dữ liệu. - 3.2.3 Thuật toán Apriori. - 3.3 Chẩn đoán bệnh tim dựa vào sự thay đổi nhịp tim. - 3.3.1 Tiền xử lý dữ liệu. - 3.3.2 Thuật toán GNG. - 3.3.2.2 Thuật toán GNG. - 4 Thực nghiệm và Đánh giá 44 4.1 Môi trường thực nghiệm và dữ liệu. - 4.1.1 Môi trường thực nghiệm cho bước chẩn đoán dựa vào các thông tin lâm sàng. - 4.1.2 Môi trường thực nghiệm cho bước chẩn đoán dựa vào sự thay đổi nhịp tim. - 4.2.1 Kết quả và đánh giá hiệu quả của thuật toán Apriori. - 4.2.1.1 Đánh giá sự thay đổi số lượng các tập mục phổ biến theo sự thay đổi của độ hỗ trợ minsup. - 4.2.1.2 Đánh giá số lượng các luật sinh ra theo sự thay đổi của độ hỗ trợ minsup. - 4.2.1.3 Đánh giá số lượng các luật tạo ra khi độ tin cậy minconf thay đổi. - 4.2.2 Kết quả và đánh giá hiệu quả của thuật toán GNG. - 4.2.2.1 Đánh giá lỗi phân lớp trên tập dữ liệu D(O. - 4.2.2.2 Đánh giá số lượng nút và cạnh của thuật toán GNG trên tập dữ liệu D(O. - 4.2.2.3 Đánh giá lỗi bình phương trung bình MSE trên D(O) 55 4.2.2.4 So sánh GNG với SOM. - 2.1 Bệnh Tim mạch vành. - 2.2 Đặc điểm của các hệ thống ước tính nguy cơ bệnh Tim mạch. - 2.3 Cụm dữ liệu khai phá bởi K-mean. - 2.4 Bảng dữ liệu. - 3.1 Tổng quan hệ thống quá trình chẩn đoán bệnh tim. - 3.2 Chẩn đoán bệnh tim dựa vào thông tin lâm sàng của bệnh nhân. - 4.1 Tập dữ liệu đầu vào của thuật toán Apriori. - 4.2 Sự thay đổi itemset theo minsup. - 4.3 Số lượng luật theo minsup. - 4.4 Số lượng luật theo minconf. - 4.6 Giá trị lỗi phân lớp của GNG trên tập dữ liệu D(O. - 4.7 Số nút và cạnh của GNG trên tập dữ liệu với O=0. - 4.8 Số nút và cạnh của GNG trên tập dữ liệu với O=1. - 4.9 Số nút và cạnh của GNG trên tập dữ liệu với O=2. - 4.11 GNG và SOM trên tập dữ liệu D(0. - 4.12 GNG và SOM tập dữ liệu D(1. - 4.13 GNG và SOM tập dữ liệu D(2. - 3.1 Bảng thuộc tính của mẫu dữ liệu cho bệnh tim. - 3.2 Quy tắc chuyển đổi dữ liệu. - 4.2 Tham số sử dụng để sinh ra tập dữ liệu (BT-Bình thường, BBT- Bất bình thường. - 4.4 Sự thay đổi số lượng tập mục phổ biến theo độ hỗ trợ. - 4.5 Sự thay đổi số lượng luật sinh ra theo độ hỗ trợ. - 4.6 Sự thay đổi số lượng luật sinh ra theo độ tin cây. - [4] E.AbuKhousa and P.Campbell, Predictive data mining to support clinical decisions: An overview of heart disease prediction systems, presented at the International Conference on Innovations in Infor- mation Technology, 2012.. - Intelligent Heart Disease Prediction. - [18] MA.Jabbar, B.L.Deekshatulu and Priti Chandra.: Knowledge Dis- covery using Associative Classification for Heart Disease Predic- tion. - [20] MA.Jabbar, B.L.Deekshatulu and Priti Chandra.: An evolutionary algorithm for heart disease prediction, ICIP, CCIS 292 PP 378-389, Springer-Verlag (2012). - Intelligent Heart Disease Prediction System Using Data Mining Techniques(2008) 10 [30] S.Ranganatha, H. - data mining and analysis for heart disease dataset using classifi- cation techniques, presented at the National Conference on Chal- lenges in Research &