fa تشخیص بیماری قلبی با استفاده از الگوریتم بهینه‌سازی ملخ دودویی و k نزدیک‌ترین همسایه مدیریت اطلاعات سلامت Health Information Management پژوهشي Research <strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">مقدمه: </span></span></span></strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">قلب یکی از ارگان‌های اصلی بدن انسان است و سالم نبودن آن عامل مهمی در مرگ‌ومیر انسان‌ها است. بیماری قلبی ممکن است بدون علامت باشد اما می‌توان از طریق آزمایش‌های پزشکی این نوع بیماری را پیش‌بینی و تشخیص داد. تشخیص بیماری قلبی به تجربیات زیاد پزشکان متخصص نیاز دارد. هدف مطالعه حاضر، تشخیص بیماری قلبی به‌منظور کمک به پزشکان برمبنای ترکیب الگوریتم بهینه‌سازی ملخ دودویی و </span></span></span><span style="font-size:10.0pt;">k</span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;"> نزدیک‌ترین همسایه است. از الگوریتم بهینه‌سازی ملخ دودویی برای انتخاب ویژگی‌ها و از الگوریتم </span></span></span><span style="font-size:10.0pt;">K</span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;"> نزدیک‌ترین همسایه برای طبقه‌بندی استفاده‌شده است.</span></span></span><br> <strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">روش&shy; ها: </span></span></span></strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">این مطالعه از نوع توصیفی- تحلیلی بود.. در این مطالعه، پرونده پزشکی 270 بیمار در حوزه بیماری قلبی با تعداد 13 ویژگی بررسی شد. تعداد بیماران مبتلا برابر با 120 و فقدان بیماری برابر با 150 بود، لذا مجموعه داده در حالت متوازن است. اطلاعات بیماران از پایگاه داده استاندارد </span></span></span><span style="font-size:10.0pt;">UCI</span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;"> استخراج شد. ارزیابی مدل پیشنهادی در شبیه‌سازی </span></span></span><span style="font-size:10.0pt;">MATLAB</span><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;"> انجام‌شد.</span></span></span><br> <strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">یافته&shy; ها:</span></span></span></strong> <span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">با توجه به ارزیابی‌های انجام‌شده بر روی روش پیشنهادی، درصد صحت برابر با 8/89، درصد حساسیت برابر با 6/89 و درصد ویژگی برابر با 4/90 به دست آمد که در مقایسه با نتایج مطالعات انجام‌شده در حوزه بیماری قلبی، دقت به‌دست‌آمده روش پیشنهادی، قابل‌قبول است. همچنین، درصد صحت روش پیشنهادی برمبنای هفت ویژگی </span></span></span>&nbsp;<span style="font-size:10.0pt;">(Age, Sex, Chest Pain, BP, Electrocardiographic, Angina, Thallium</span><span style="font-size:10.0pt;">)</span> <span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">برابر با 3/90 درصد به‌دست‌آمد.</span></span></span><br> <strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">نتیجه‌گیری</span></span></span></strong><span dir="RTL"><span style="font-family:B Zar;"><span style="font-size:10.0pt;">: با توجه به نتایج حاصل از این مطالعه، برای تشخیص بیماری قلبی، روش پیشنهادی در تشخیص بیماری و انتخاب ویژگی‌های مهم نسبت به روش‌های قبلی بهتر عمل کرده است.</span></span></span><div style="clear:both;"></div> <strong>Introduction</strong>: The heart is one of the main organs of the human body, and its unhealthiness is an important factor in human mortality. Heart disease may be asymptomatic, but medical tests can predict and diagnose it. Diagnosis of heart disease requires extensive experience of specialist physicians. The aim of this study is to help physicians diagnose heart disease based on hybrid Binary Grasshopper Optimization (BGO) Algorithm and K-Nearest Neighbors (KNN). The BGO algorithm is used for feature selection (FS), and the KNN is used for classification.<br> <strong>Methods</strong>: In this study, the medical records of 270 patients in the field of heart disease with 13 features were evaluated. The number of patients is equal to 120 and the absence of disease is equal to 150, so the data set is balanced. Patient information is taken from the standard UCI (University of California, Irvine) database. The evaluation of the proposed model has been done in MATLAB simulation.<br> <strong>Results</strong>: According to the evaluations, the accuracy was 89.82%, the sensitivity was 89.61%, and the specificity was 90.41%, which are acceptable compared to the results of previous studies in the field of heart disease. Also, the percentage of accuracy of the proposed method based on 7 features (Age, Sex, Chest Pain, BP, Electrocardiographic, Angina, and Thallium) is equal to 90.35%.<br> <strong>Conclusion</strong>: According to the results of this study, for the diagnosis of heart disease, the proposed method has been more effective in diagnosing the disease and selecting important features in comparison with previous methods.&nbsp; تشخیص بیماری قلبی, الگوریتم بهینه‌سازی ملخ دودویی, الگوریتم k نزدیک‌ترین همسایه, طبقه‌بندی Heart Disease Detection, Binary grasshopper optimization Algorithm, K-Nearest Neighbor, Classification 42 54 http://jha.iums.ac.ir/browse.php?a_code=A-10-3170-1&slc_lang=fa&sid=1 Neda DezhAloud ندا دژآلود neda.dezhalood2013@gmail.com 11200319475328460023509 000000017335713X No Msc Student, Department of Computer Engineering, Urmia Branch, Islamic Azad University, Urmia, Iran. دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه farhad Soleimanian Gharehchopogh فرهاد سلیمانیان قره چپق bonab.farhad@gmail.com 11200319475328460023510 0000000315881659 Yes Assistant Professor, Department of Computer Engineering, Urmia Branch, Islamic Azad University, Urmia,Iran. استادیار، گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه