|
|
Hormozgan Medical Journal، جلد ۱۹، شماره ۶، صفحات ۳۹۹-۴۰۶
|
|
|
| عنوان فارسی |
طراحی و ارزیابی یک سیستم پشتیبان تصمیم برای پیش‌بینی بیماری عروق کرنری قلب |
|
| چکیده فارسی مقاله |
مقدمه: ازآنجا که در تحقیقات علوم پزشکی مسئله سلامت انسان مطرح است، پیش‌بینی درست نتایج اهمیت بیشتری می‌یابد. در این مقاله از شبکه عصبی احتمالی جهت پیش‌بینی وضعیت عروق کرنری قلب استفاده شده است. روش کار: در این مطالعه توصیفی - تحلیلی، جامعه آماری شامل 150 نفر بیمار مرکز فوق تخصصی قلب مازندران بود. مدل پیش‌بینی وضعیت عروق کرنری قلب با استفاده از شبکه عصبی احتمالی (PNN) تولید شد. برای طراحی شبکه، از 80 درصد داده‌ها جهت مرحله آموزش شبکه و 20 درصد باقیمانده جهت مرحله آزمون شبکه استفاده شده است. به منظور پیاده‌سازی شبکه از امکانات و توابع موجود در نرم‌افزار متلب نسخه 0/12/7 بهره گرفته شده و بر سیستم corei5 با پردازنده 2.4 GHz و حافظه 4GB تحت ویندوز 7 شبیه‌سازی انجام شده است. نویسنده مسئول: آسیه خسروانیان گروه مهندسی کامپیوتر و فناوری اطلاعات، انشگاه پیام نور ایران تلفن: 1038258 917 98+ پست الکترونیکی: khosravanian.a@gmail.com نتایج: پس از 5 مرتبه شبیه‌سازی و مقایسه مدل‌های تولیدشده، عملکرد شبکه عصبی احتمالی پیاده‌سازی شده بر اساس شاخص‌های عملکردی اختصاصیت (specificity) و حساسیت (sensitivity)، در مرحله آزمون شبکه معادل عدد یک به دست آمد و در نهایت توانستیم افراد سالم و افرادی که دچار بیماری عروق کرنری بودند را با دقت بهتری نسبت به موارد مشابه قبلی طبقه‌بندی کنیم. نتیجه‌گیری: اختصاصیت و حساسیت به‌دست‌آمده از این شبیه‌سازی نشان داد که استفاده از شبکه عصبی احتمالی می‌تواند جایگزین مناسبی برای آنژیوگرافی در پیش‌بینی بیماری عروق کرنری قلب باشد و از عوارض و آسیب‌های احتمالی آنژیوگرافی جلوگیری نماید. |
|
| کلیدواژه‌های فارسی مقاله |
بیماری عروق کرنری، پیش‌بینی، شبکه عصبی احتمالی |
|
| عنوان انگلیسی |
Designing and evaluation of a decision support system for prediction of coronary artery disease |
|
| چکیده انگلیسی مقاله |
Introduction: Since human health is the issue of Medical Research, correct prediction of results is of a high importance. This study applies probabilistic neural network (PNN) for predicting coronary artery disease (CAD), because the PNN is stronger than other methods. Methods: In this descriptive-analytic study, The PNN method was implemented on 150 patients admitted to the Mazandaran Heart Center, sari. For designing the network, 80% of the data were used for stage of network training, and the remained 20% were used for stage of network testing. In order to implement the network, facilities and functions existing in MATLAB 7.12.0 were used and simulation was conducted in a PC with configurations of corei5 CPU, 2GHz processor, 4GB ram, under operating system of Windows 7. Correspondence: A. Khosravanian, MSc. Department of Computer and Engineering and IT, Payam Noor University. Iran Tel:+98 9171038258 Email: khosravanian.a@gmail.com Results: After 5 times simulation and comparison of the models produced, sensitivity and specificity rates obtained were 1 and 1. In the end, model correctly categorized some healthy subjects who did not need angiography and the treatment related to coronary artery disease. Conclusion: Due to the high specificity index, this model prevents side effects of angiography in patients who don't need such treatments. Moreover, due to high sensitivity, it can diagnose the patients who really need such diagnostic measures. |
|
| کلیدواژه‌های انگلیسی مقاله |
|
|
| نویسندگان مقاله |
آسیه خسروانیان | asieh khosravanian
سعید آیت | saeid ayat
|
|
| نشانی اینترنتی |
http://hmj.hums.ac.ir/browse.php?a_code=A-10-1-110&slc_lang=fa&sid=en |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|