الكشف المبكر عن أمراض القلب
نظام ذكي يعتمد على خوارزميات تعلم الآلة للتنبؤ بمخاطر الإصابة بأمراض القلب
تطوير خوارزميات التنقيب عن البيانات في تحسين عملية تشخيص أمراض القلب
الطالب: حازم خضر الحاج احميد
المشرفون: د.م. جورج أنور كراز و د. ماجدة البكور
حاسبة مخاطر أمراض القلب
أدخل البيانات الطبية للحصول على تقييم دقيق لمخاطر الإصابة
أدخل البيانات الطبية واضغط على "احسب المخاطر" للحصول على التقييم
حول المشروع
تطوير خوارزميات التنقيب عن البيانات في تحسين عملية تشخيص أمراض القلب
الجامعة الافتراضية السورية
وزارة التعليم العالي - الجمهورية العربية السورية
حازم خضر الحاج احميد
طالب ماجستير - علوم الويب
Hazem_82763@svuonline.org
د.م. جورج أنور كراز
المشرف الأساسي
T_gkarraz@svuonline.org
د. ماجدة البكور
المشرف المشارك
T_mbakour@svuonline.org
منهجية البحث
جمع البيانات
تم استخدام بيانات UCI لأمراض القلب التي تحتوي على 303 سجلات و14 متغيراً سريرياً
معالجة البيانات
تطبيق StandardScaler وتقسيم البيانات إلى 80% تدريب و20% اختبار
تدريب النماذج
تدريب ثلاثة نماذج: KNN، Naive Bayes، Decision Tree
التقييم
استخدام مقاييس Accuracy، Precision، Recall، F1-score
المميزات الرئيسية
دقة عالية
دقة تصل إلى 82% مع نماذج KNN و Naive Bayes
تنبؤ سريع
نتائج فورية باستخدام خوارزميات محسّنة
بيانات موثوقة
بيانات UCI المعتمدة عالمياً
النتائج
مقارنة النماذج
نموذج KNN
أعلى معدل استرجاع (94%) - مثالي للكشف المبكر
نموذج Naive Bayes
أداء متوازن وسريع - الأفضل للتطبيقات الفورية
نموذج Decision Tree
سهل التفسير - يحتاج إلى تحسين بالتقليم
الاستنتاجات الرئيسية
🏆 الأفضل للكشف المبكر
نموذج KNN حقق أعلى معدل استرجاع (94%) مما يجعله الأمثل للكشف المبكر عن أمراض القلب
⚖️ الأداء المتوازن
Naive Bayes قدم أداءً متوازناً مع سرعة عالية في المعالجة
📊 جودة البيانات
معالجة البيانات والمعايرة كانت حاسمة في تحسين أداء النماذج
🔮 التطوير المستقبلي
يمكن تحسين الأداء باستخدام Random Forest وXGBoost وبيانات أكبر