Rule Extraction in a Cardiovascular Disease Database Using Association Rule Algorithms

Η µελέτη αυτή αφορά την εξόρυξη κανόνων συσχέτισης από βάση δεδοµένων µε ασθενείς µε καρδιαγγειακά επεισόδια. Είναι γεγονός ότι στην Κύπρο παρατηρείται αυξηµένη συχνότητα των καρδιαγγειακών επεισοδίων. Σκοπός της µελέτης µας, είναι µέσω της εφαρµογής αλγορίθµων εξόρυξης δεδοµένων να προβούµε σε κάποια συµπεράσµατα και κανόνες που συµβάλλουν στην πρόκληση καρδιαγγειακών επεισοδίων. Οι αλγόριθµοι που θα χρησιµοποιηθούν είναι αλγόριθµοι παραγωγής κανόνων συσχέτισης. Για την εξόρυξη κανόνων συσχέτισης έχει χρησιµοποιηθεί ο αλγόριθµος Apriori, όπως επίσης παρουσιάζεται κι ένας καινούργιος αλγόριθµος, ο Akamas, ο οποίος για την εξόρυξη κανόνων δεν βασίζεται στο µέτρο αξιολόγησης κανόνων support. Για την εξόρυξη των κανόνων συσχέτισης έχει υλοποιηθεί ένα εργαλείο για εξόρυξη κανόνων, το οποίο βασίζεται στους αλγόριθµους Apriori και Akama. Στο εργαλείο έχουν υλοποιηθεί επίσης διάφορα σηµαντικά µέτρα αξιολόγησης κανόνων, εκτός από το support και το confidence, από του οποίος ο χρήστης µπορεί να επιλέξει για να φιλτράρει και να ταξινοµήσει τους εξαγόµενους κανόνες. Εξετάζοντας τους κανόνες που έχουν εξαχθεί, παρατηρείται ότι o πιο σηµαντικός παράγοντας που µπορεί να προκαλέσει καρδιαγγειακό επεισόδιο, είναι το κάπνισµα. Ασθενείς µε χαµηλή περιεκτικότητας καλής χοληστερόλης στο αίµα, είναι επίσης κρίσιµο για πρόκληση καρδιαγγειακού επεισοδίου. Ενώ ο παράγοντας τριγλυκλερίδια, που µε βάση τους γιατρούς είναι ένας από τους πιο σηµαντικούς παράγοντες, δεν παρατηρείται να εµφανίζεται στους κανόνες. Από τα αποτελέσµατα έχει παρατηρηθεί ότι ο κάθε παράγοντας που µπορεί να οδηγήσει σε καρδιαγγειακό επεισόδιο, όπως παραδείγµατος χάριν το κάπνισµα και χαµηλή καλή χοληστερόλη είναι ανεξάρτητοι µεταξύ τους. Δηλαδή καρδιαγγειακό επεισόδιο µπορεί να προκληθεί έστω κι αν µόνο ένας από τους παράγοντας παρουσιάζεται.