Decision Support Systems for Cardiovascular Diseases Based on Data Mining and Fuzzy Modelling

Abstract

This article addresses the decision support regarding cardiovascular diseases, using computer-based methods, focusing on the coronary artery disease (CAD) diagnosis and on the prediction of clinical restenosis in patients undergoing angioplasty. Methods reported in the literature are reviewed with respect to (i) the medical information that are employing in order to reach the diagnosis and (ii) the data analysis techniques used for the creation of the CDSSs. In what concerns medical information, easily and noninvasively-obtained data present several advantages compared to other types of data, while data analysis techniques that are characterized by transparency regarding their decisions are more suitable for medical decision making. A recently developed approach that complies with the above requirements is presented. The approach is based on data mining and fuzzy modelling. Using this approach, one CDSS has been developed for each of the two cardiovascular problems mentioned above. These CDSSs are extensively evaluated and comments about the discovered knowledge are provided by medical experts. The later is of great importance in designing and evaluating CDSSs, since it allows them to be integrated into real clinical environments.

Ευφυείς Μέθοδοι Διάγνωσης Καρδιαγγειακών Παθήσεων

“…, 0.4, ,1.7, , 4.9, . ,0.4, ,1.7 [188,191,192], (ii) οδηγούμενη-από-τα-δεδομένα ασαφής προσέγγιση, κατά την οποία οι κανόνες που χρησιμοποιούνται για τον ορισμό του σαφούς μοντέλου, εξάγονται απευθείας από τα δεδομένα, χρησιμοποιώντας τεχνικές εξόρυξης δεδομένων και πιο συγκεκριμένα τεχνικές επαγωγής δέντρων απόφασης [189,198,199], (iii) συνδυασμό των δύο τεχνικών (γνωσιακής και οδηγούμενης-από-τα-δεδομένα), με την δημιουργία το αρχικού συνόλου με κανόνες που προέρχονται τόσο από ιατρική γνώση, όσο και από τεχνικές εξόρυξης δεδομένων [193]. Το πρόβλημα της ταξινόμησης ισχαιμικών παλμών προσεγγίστηκε με δύο τρόπους, (i) γνωσιακή ασαφή προσέγγιση, όπου το αρχικό σύνολο κανόνων προέρχεται από ιατρική γνώση και εμπειρία [192], (ii) οδηγούμενη-από-τα-δεδομένα ασαφή προσέγγιση, όπου οι κανόνες εξάγονται απευθείας από τα δεδομένα, χρησιμοποιώντας τεχνικές επαγωγής δέντρων απόφασης [189,200].…”

“…Το πρόβλημα της ταξινόμησης ισχαιμικών παλμών προσεγγίστηκε με δύο τρόπους, (i) γνωσιακή ασαφή προσέγγιση, όπου το αρχικό σύνολο κανόνων προέρχεται από ιατρική γνώση και εμπειρία [192], (ii) οδηγούμενη-από-τα-δεδομένα ασαφή προσέγγιση, όπου οι κανόνες εξάγονται απευθείας από τα δεδομένα, χρησιμοποιώντας τεχνικές επαγωγής δέντρων απόφασης [189,200]. Τέλος, η διάγνωση της στεφανιαίας νόσου πραγματοποιήθηκε χρησιμοποιώντας την οδηγούμενη-από-τα-δεδομένα ασαφή προσέγγιση με χρήση δέντρων απόφασης για την εξαγωγή του αρχικού συνόλου κανόνων [196,198,190], καθώς σε αυτή την περίπτωση δεν ήταν διαθέσιμη κάποια αρχική γνώση. Σε σχέση με την χρήση βαρών στα ασαφή μοντέλα που αναπτύχθηκαν για την αντιμετώπιση προβλημάτων που σχετίζονται με καρδιαγγειακές παθήσεις, η εφαρμογή τους περιορίστηκε στην χρήση ολικών βαρών κατά τις οδηγούμενες-από-τα-δεδομένα ασαφείς προσέγγισης του κάθε προβλήματος [189,192,196].…”