دوره 12، شماره 1، 1394 ( شماره پیاپی 41):3-13

ارائه یک سیستم هوشمند در تشخیص بیماری عروق کرونری قلب با استفاده از شبکه عصبی احتمالی

آسيه خسروانيان, سيد سعيد آيت

چکیده


مقدمه: انتخاب روش مناسب برای مدلسازی و تحلیل داده های سلامت و بهداشت، مبتنی بر نوع داده های موجود، بسیار مهم و در مواردی بسیار حساس است. تحقیق حاضر با هدف بررسی بسته بودن یا نبودن عروق کرونری قلب بر اساس شبکه عصبی احتمالی انجام شد. نتایج این تحقیق نشان داد که در جامعه آماری مورد مطالعه، شبکه های عصبی احتمالی بهتر و قوی تر از سایر شبکه های عصبی در تشخیص بیماری عمل کرده اند.

روش بررسی: این تحقیق، از نوع تشخیصی بود و در سال 1392 شمسی در بیمارستان کوثر شیراز انجام شد جامعه آماری این پژوهش افرادی بودند که در شهریور ماه سال 1392 شمسی تحت آنژیوگرافی عروق کرونری قلب قرار گرفتند که تعداد 152 نفر از این افراد به طور تصادفی انتخاب شدند. در این پژوهش از شبکه عصبی احتمالی(PNN) به منظور پیش بینی بیماری عروق کرونری قلب استفاده شد. برای طراحی شبکه، از 85 درصد داده ها جهت مرحله آموزش شبکه و 15درصد باقیمانده جهت مرحله آزمون شبکه استفاده شد. به منظور پیاده سازی شبکه از امکانات و توابع موجود در نرم افزار MATLAB نسخه 7.12.0 بهره گرفته شده و بر سیستم corei5 با پردازنده 2.4 GHz و حافظه 4GB تحت ویندوز 7 شبیه سازی انجام شده است.

یافته ها: شاخص های عملکردی این سیستم، اختصاصیت (specificity) و حساسیت (sensitivity) بودند. عملکرد سیستم ارائه شده بر اساس این شاخص ها در مرحله آزمون شبکه به ترتیب معادل اعداد 0.94 و یک به دست آمد. در نهایت سیستم طراحی و پیاده سازی شده توانست با دقت بهتری نسبت به تحقیقات مشابه در این زمینه افراد دارای بیماری عروق کرونری را تشخیص دهد.

نتیجه گیری: استفاده از شبکه های عصبی احتمالی می تواند با دقت بهتری در تشخیص بیماری عروق کرونری قلب به کار رود. این روش به علت اختصاصیت و حساسیت بالا می تواند از عوارض و آسیب های احتمالی آنژیوگرافی در بیمارانی که نیاز به آن ندارند، جلوگیری نماید. همچنین می تواند بیمارانی را که واقعا به این اقدامات تشخیصی نیاز دارند در سریعترین زمان و بیشترین دقت مشخص نماید.


واژگان کلیدی


شبکه عصبی مصنوعی; شبکه عصبی احتمالی; بیماری عروق کرونری; پیش بینی

تمام متن:

PDF



Creative Commons Attribution-NonCommercial 4.0

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 Unported License which allows users to read, copy, distribute and make derivative works for non-commercial purposes from the material, as long as the author of the original work is cited properly.