Journal of Torbat Heydariyeh University of Medical Sciences

fa تشخیص بیماری عروق کرونر قلبی با استفاده از روش مبتنی بر عصبی فازی Diagnosis of Coronary Artery Disease using Neuro-fuzzy-based Method عمومى General پژوهشي Research زمینه و هدف: بیماری عروق کرونری قلب، از شایع ترین بیماریها در جوامع مختلف است. یکی از  بهترین روش های  ارزیابی این بیماری آنژیوگرافی است که نوعی روش تهاجمی است و علاوه بر هزینه گران آن همراه با خطراتی نظیر مرگ، سکته قلبی و مغزی است. مطالعه حاضر باهدف ارائه مدل عصبی‌فازی به‌منظور کمک به پزشک در پیش‌بینی وضعیت عروق کرونر قلبی انجام‌ شده است. روش ها: این مطالعه از نوع تشخیصی بوده و پایگاه داده آن مشتمل بر 200 نفر از مراجعین به مرکز تخصصی قلب و عروق شهرستان تربت‌حیدریه انجام‌شده که شامل 13 عامل خطر از نوع غیرقابل انتساب میباشد. در این پژوهش مدلهایی مبتنی بر روشهای داده کاوی جهت تشخیص بیماری عروق کرونر قلبی ارائه‌شده است. مدل‌سازی به کمک شبکه های عصبی مصنوعی و سپس شبکه های عصبی فازی و در نهایت خوشه بندی فازی انجام گرفت. نتایج: خطای محاسبه‌شده بر اساس روش میانگین مربعات خطا در روش شبکه عصبی مصنوعی و شبکه های عصبی‌فازی به ترتیب 0/2574P= و 0/0007P= بدست آمد. نتیجه گیری: از آنجایی که آنژیوگرافی یک روش تهاجمی است و با خطرات متعددی همراه است، باید از روشهای غیرتهاجمی استفاده شود که پیش بینی بر اساس آن‌ها دارای کمترین خطا و بیشترین اطمینان باشد. استفاده از روش های نوین داده کاوی میتواند به کاهش این عوارض کمک کند. Background & Aim: Coronary artery disease is one of the most common diseases in different societies. Coronary angiography is established as one of the best methods for diagnosis of this disease. Angiography is an invasive and costly method. Furthermore, it is associated with risks such as death, heart attack, and stroke. Thus, this study introduces a neuro-fuzzy-based method which can help the physicians in prediction of patient’s coronary artery condition. Methods: This is an analytical study carried on 200 patients of Cardiovascular Center in Torbat Heydarieh. Patient records include 13 risk factors and are non-attributable. In this work, models are presented based on data mining methods for the diagnosis of coronary artery disease Furthermore, artificial neural network and neuro-fuzzy method were used for modeling the diagnosis of coronary artery disease. Results: The mean square error (MSE) of prediction for artificial neural network and neuro-fuzzy method were p=0.2574 and p=0.0007, respectively. Conclusion: Since angiography is invasive and associated with various risks, we suggest the use of non-invasive methods with low error and high reliability. New data mining strategies can be effective in reducing the mentioned complications. عروق کرونری قلب, شبکه عصبی مصنوعی, تکنیک نروفازی, خوشه بندی فازی Coronary artery disease, Artificial neural network, Neuro-fuzzy method 48 59 http://jms.thums.ac.ir/browse.php?a_code=A-10-556-3&slc_lang=fa&sid=1 Iman Zabbah ایمان ذباح imanzabbah@gmail.com 10031947532846008195 10031947532846008195 No Department of computer Engineering, Tehran North Branch,Islamic Azad University, Tehran,Iran گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی تهران شمال ، تهران، ایران Zahra Koohjani زهرا کوه جانی zahrakoohjani1@gmail.com 10031947532846008196 10031947532846008196 No Department of Medical Informatics, School of Management and Medical Informatics, Student Research Committee, Shiraz University of Medical Sciences, Shiraz, Iran کمیته تحقیقات دانشجویی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی شیراز، شیراز، ایران Ali Maroosi علی ماروسی ali.maroosi@gmail.com 10031947532846008197 10031947532846008197 No Department of Computer Engineering , university of Torbat Heydarieh,Torbat Heydarieh, Iran گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه تربت حیدریه، تربت حیدریه، ایران Kamran Layeghi کامران لایقی kamilaayeghiye@gmail.com 10031947532846008198 10031947532846008198 Yes Department of computer Engineering, Tehran North Branch,Islamic Azad University, Tehran,Iran گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی تهران شمال ، تهران، ایران