نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد، مهندسی کامپیوتر، گروه علمی مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، ایران

2 دانشگاه پیام نور

چکیده

مقدمه: انتخاب روش مناسب برای مدلسازی و تحلیل دادههای سلامت و بهداشت، مبتنی بر نوع دادههای موجود، بسیار مهم و در مواردی بسیار حساس است. تحقیق حاضر با هدف بررسی بسته بودن یا نبودن عروقکرونری قلب بر اساس شبکهعصبیاحتمالی انجامشد. نتایج این تحقیق نشان داد که در جامعه آماری مورد مطالعه، شبکههای عصبی احتمالی بهتر و قوی تر از سایر شبکههای عصبی در تشخیص بیماری عمل کردهاند.روش بررسی: این تحقیق، از نوع تشخیصی بود و در سال 1392شمسی در بیمارستانکوثر شیراز انجامشد جامعهآماری اینپژوهش افرادی بودند که در شهریورماه سال1392شمسی تحت آنژیوگرافی عروقکرونریقلب قرارگرفتند که تعداد 152نفر از این افراد بهطور تصادفی انتخابشدند. در این پژوهش از شبکه عصبی احتمالی(PNN) بهمنظور پیش بینی بیماری عروق کرونری قلب استفادهشد. برای طراحی شبکه، از 85درصد دادهها جهت مرحله آموزش شبکهو15درصد باقیمانده جهت مرحله آزمون شبکه استفادهشد. بهمنظور پیادهسازی شبکه از امکانات و توابع موجود در نرم افزار MATLAB نسخه 7.12.0بهره گرفته شدهو بر سیستم corei5 با پردازنده2.4 GHzو حافظه 4GB تحت ویندوز 7 شبیه سازیانجامشدهاست.یافتهها:شاخصهای عملکردی این سیستم،اختصاصیت (specificity) و حساسیت (sensitivity) بودند. عملکرد سیستم ارائه شده براساس این شاخصها در مرحله آزمون شبکه بهترتیب معادل اعداد 0.94 و یک به دست آمد. درنهایت سیستم طراحی و پیادهسازیشده توانست با دقت بهتری نسبت به تحقیقات مشابه در این زمینه افراد دارای بیماری عروقکرونری را تشخیص دهد.نتیجهگیری: استفاده از شبکههای عصبیاحتمالی میتواند با دقت بهتری در تشخیص بیماری عروق کرونری قلب بهکاررود.این روش به علت اختصاصیت و حساسیت بالا میتواند از عوارض و آسیبهای احتمالی آنژیوگرافی در بیمارانی که نیاز به آن ندارند، جلوگیری نماید. همچنین میتواند بیمارانی را که واقعا به این اقدامات تشخیصی نیاز دارند در سریعترین زمان و بیشترین دقتمشخص نماید.

کلیدواژه‌ها

عنوان مقاله [English]

Presentinganintelligent systemfor diagnosis ofcoronary heart disease By using Probabilistic Neural Network

نویسندگان [English]

  • Asieh Khosravanian 1
  • Sayed Saeed Ayat 2

1 MSc student, Computer Engineering, Department of Computer Engineering and Information Technology, Payame Noor University, IRAN

2 Associate Professor, Computer Engineering Department of Computer Engineering and Information Technology, Payame Noor University, IRAN

چکیده [English]

Introduction: Selecting an appropriate method for modeling and analyzing health data based on available data is very crucial. This study was conducted according to Probabilistic Neural Network (PNN) to detect if the coronary artery is closed or not.Methods: This study was diagnostic and it was implemented on patients of Kowsar Hospital in Shiraz, Iran who were exposed to Coronary artery angiography in September 2013. The number of population was calculated based on related formulation and the division of neurons in hidden layer by error rate of 0.1. Therefore, 152 patients were randomly selected for this research. In these implementations, 85% of data was used for training phase of network and 15% for the test phase. In this study, Probabilistic Neural Network (PNN) was used for prediction of coronary artery disease. The proposed neural network was implemented through facilities and functions of MATLAB software (7.12.0version) and simulated by a system of core i5, 2.4 GHz processor and 4GB memory and windows7 as operating system.Results: Performance indicators of this system were sensitivity and specificity. The presented system performance on the basis of these indicators was achieved1 and 0.94, respectively. Ultimately, the designed and implemented system could confirm its superiority for diagnosis of patients of coronary artery according to similar studies.Conclusion: The results of this research indicated that in the studied population, probabilistic neural networks could achieve more accurate diagnosis for coronary heart disease comparing other studied neural networks. Due to high specificity and sensitivity of the system, it can prevent the possible side effects and injuries of angiography for the patients who don’t need it. And also, it can distinguish the patients who really need diagnostic actions in the least time and the most accuracy.

کلیدواژه‌ها [English]

  • Coronary Artery Disease
  • Forecasting
  • Neural Networks (Computer)