تأثير الأمراض المصاحبة المتعددة على تشوهات القطعة ST في إشارات تخطيط كهربية القلب (ECG) باستخدام التعلم الآلي
DOI:
https://doi.org/10.36325/ghjec.v22i2.21032الكلمات المفتاحية:
ST، اختبار مربع كاي، AdaBoost، GB، CatBoost، XGBoost، LightGBMالملخص
في هذا العمل، تم إجراء تحليل مقارن دقيق لخمسة نماذج تعلم آلي لاختيار أيهما أفضل من نوع "التجميع (Ensemble Models) وهي ( , AdaBoost ,GB ,CatBoost ,XGBoost LightGB) باستخدام أربعة أنماط لتقسيم البيانات (من 70-30 إلى 85-15 لتقسيم التدريب-الاختبار) لتعظيم التقييم السريري للمخاطر. اخذ العينة ( 1000) مريض يعانون من تشوهات في قطعة STمأخوذة من مستشفى شار في مدينة السليمانية. تضمنت البيانات )العمر، الجنس، التدخين، ارتفاع ضغط الدم، أمراض القلب المزمنة ، السكري، اختلال الدهون وقصور الغدة الدرقية.( كشف التحليل الإحصائي الأولي باستخدام اختبار مربع كاي (Chi-square) عن وجود علاقات قوية بين بعض المتغيرات. بعد ذلك، تم تدريب النماذج الخمسة واختبارها تحت أنظمة تقسيم مختلفة، مع قياس الأداء باستخدام الدقة (accuracy)، ودرجة F1، والاستدعاء (recall)، والدقة التنبؤية (Precision) .باستخدام الحاسوب (Python programming) النتائج: أظهر اختبار مربع كاي ارتباطًا كبيرًا بين تغيرات قطعة ST وكل من: العمر، ارتفاع ضغط الدم، أمراض القلب المزمنة، واختلال الدهون. كان أفضل خوارزمية أداءً AdaBoost حيث حقق أعلى درجة F1 (0.8839) واستدعاء مثالي (1.000) عند تقسيم )75-25 (، العمر كان العامل الأكثر تأثيرا.
التنزيلات
المراجع
1- Al Younis, S. M., Hadjileontiadis, L. J., Khandoker, A. H., Stefanini, C., Soulaidopoulos, S., Arsenos, P., Doundoulakis, I., Gatzoulis, K. A., & Tsioufis, K. (2024). Prediction of heart failure patients with distinct left ventricular ejection fraction levels using circadian ECG features and machine learning. PLoS ONE, 19(5 May), 8–9. https://doi.org/10.1371/journal.pone.0302639
2- Bhoite, S. N., Gadekar, V. D., Kapadnis, S. V., & Ghuge, P. R. (2023). Churn Prediction using Machine Learning Models. International Journal for Research in Applied Science and Engineering Technology, 11(5), 2233–2236. https://doi.org/10.22214/ijraset.2023.52101
3- Bodini, M., Rivolta, M. W., & Sassi, R. (2020). Interpretability Analysis of Machine Learning Algorithms in the Detection of ST-Elevation Myocardial Infarction. Computing in Cardiology, 2020-Septe, 1–4. https://doi.org/10.22489/CinC.2020.403
4- Chen, M., Sun, C., Yang, L., Zhang, T., Zhang, J., & Chen, C. (2025). Application of Machine Learning Algorithms in Predicting Major Adverse Cardiovascular Events after Percutaneous Coronary Intervention in Patients with New-Onset ST-Segment Elevation Myocardial Infarction. Reviews in Cardiovascular Medicine, 26(2). https://doi.org/10.31083/RCM25758
5- Jurado, I. C., Fedjajevs, A., Vanschoren, J., & Brombacher, A. (2022). Interpretable Assessment of ST-Segment Deviation in ECG Time Series. Sensors, 22(13), 1–24. https://doi.org/10.3390/s22134919
6- Kalmady, S. V., Salimi, A., Sun, W., Sepehrvand, N., Nademi, Y., Bainey, K., Ezekowitz, J., Hindle, A., McAlister, F., Greiner, R., Sandhu, R., & Kaul, P. (2024). Development and validation of machine learning algorithms based on electrocardiograms for cardiovascular diagnoses at the population level. Npj Digital Medicine, 7(1). https://doi.org/10.1038/s41746-024-01130-8
7- Kasim, S., Amir Rudin, P. N. F., Malek, S., Ibrahim, K. S., Wan Ahmad, W. A., Fong, A. Y. Y., Lin, W. Y., Aziz, F., & Ibrahim, N. (2024). Ensemble machine learning for predicting in-hospital mortality in Asian women with ST-elevation myocardial infarction (STEMI). Scientific Reports, 14(1), 1–16. https://doi.org/10.1038/s41598-024-61151-x
8- Liu, J., Zhu, D., Deng, L., & Chen, X. (2025). Predictive Modeling of Heart Failure Outcomes Using ECG Monitoring Indicators and Machine Learning. Annals of Noninvasive Electrocardiology, 30(4), 1–7. https://doi.org/10.1111/anec.70097
9- Mamun, M. M. R. K., & Alouani, A. (2020). Diagnosis of STEMI and Non-STEMI Heart Attack using Nature-inspired Swarm Intelligence and Deep Learning Techniques. Journal of Biomedical Engineering and Biosciences, 7. https://doi.org/10.11159/jbeb.2020.001
10- Mehrang, S., Jafari Tadi, M., Kaisti, M., Lahdenoja, O., Vasankari, T., Kiviniemi, T., Airaksinen, J., Koivisto, T., & Pankaala, M. (2018). Machine Learning Based Classification of Myocardial Infarction Conditions Using Smartphone-Derived Seismo- and Gyrocardiography. Computing in Cardiology, 2018-Septe(Mi), 1–4. https://doi.org/10.22489/CinC.2018.110
11- Nayak, K. R., Skupin, A., Schempp, T., Garberich, R., Bhavnani, S. P., & Henry, T. (2021). Machine learning for holistic visualization of STEMI registry data. Journal of Biomedical Informatics, 121(July), 1–11. https://doi.org/10.1016/j.jbi.2021.103869
12- Nti, I. K., Aning, J., Ayawli, B. B. K., Frimpong, K., Appiah, A. Y., & ... (2021). A Comparative Empirical Analysis of 21 Machine Learning Algorithms for Real-World Applications in Diverse Domains. Journal of Big Dats. https://www.researchsquare.com/article/rs-518365/latest.pdf
13- Qin, Y., Wu, J., Xiao, W., Wang, K., Huang, A., Liu, B., Yu, J., Li, C., Yu, F., & Ren, Z. (2022). Machine Learning Models for Data-Driven Prediction of Diabetes by Lifestyle Type. International Journal of Environmental Research and Public Health, 19(22). https://doi.org/10.3390/ijerph192215027
14- Sekeroglu, B., Ever, Y. K., Dimililer, K., & Al-Turjman, F. (2022). Comparative Evaluation and Comprehensive Analysis of Machine Learning Models for Regression Problems. Data Intelligence, 4(3), 620–652. https://doi.org/10.1162/dint_a_00155
15- Symposium, I. (2024). or ap er Sy mp os or g P ap er of Sy mp os. https://doi.org/10.2507/33nd.daaam.proceedings.xxx
16- Vogel, B., Claessen, B. E., Arnold, S. V., Chan, D., Cohen, D. J., Giannitsis, E., Gibson, C. M., Goto, S., Katus, H. A., Kerneis, M., Kimura, T., Kunadian, V., Pinto, D. S., Shiomi, H., Spertus, J. A., Steg, P. G., & Mehran, R. (2019). ST-segment elevation myocardial infarction. Nature Reviews Disease Primers, 5(1), 1–20. https://doi.org/10.1038/s41572-019-0090-3
التنزيلات
منشور
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2026 سارا نورى محمد، نوزاد محمد احمد
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
التي تسمح للمستخدمين بنسخ وانشاء مقتطفات وملخصات وبالتالي انشاء اعمال علمية جديدة من المقالة او التعديل عليها والاستفادة من المادة العلمية شريطة ان يشير المستخدم الى رابط المقال الأصلي
