Journal title
عنوان نشریه
Journal of Torbat Heydariyeh University of Medical Sciences
Medical Sciences
http://jms.thums.ac.ir
1
admin
2716-9669
2716-9669
doi
fa
jalali
1397
9
1
gregorian
2018
12
1
6
3
online
1
fulltext
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
<strong><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">زمینه و هدف:</span></span></strong> <span style="font-family:b mitra;"><span style="font-size:12.0pt;">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 </span></span><span style="font-family:b mitra;"><span style="font-size:12.0pt;">پیشبینی وضعیت عروق کر</span></span><span style="font-family:b mitra;"><span style="font-size:12.0pt;">و</span></span><span style="font-family:b mitra;"><span style="font-size:12.0pt;">نر قلبی</span></span><span style="font-family:b mitra;"><span style="font-size:12.0pt;"> انجام شده است.</span></span><br>
<strong><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">روش ­ها:</span></span></strong><span style="font-family:b mitra;"><span style="font-size:12.0pt;"> 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.</span></span><br>
<strong><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">نتایج:</span></span></strong><span style="font-family:b mitra;"><span style="font-size:12.0pt;"> خطای محاسبهشده بر اساس روش میانگین مربعات خطا در روش شبکه عصبی مصنوعی و شبکه­ های عصبیفازی به ترتیب 0/2574</span></span><span dir="LTR"><span style="font-size:12.0pt;">P=</span></span><span style="font-family:b mitra;"><span style="font-size:12.0pt;"> و 0/0007</span></span><span dir="LTR"><span style="font-size:12.0pt;">P=</span></span><span style="font-family:b mitra;"><span style="font-size:12.0pt;"> بدست آمد.</span></span><br>
<strong><span dir="RTL"><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">نتیجه­ گیری:</span></span></span></strong><span dir="RTL"><span style="font-family:b mitra;"><span style="font-size:12.0pt;"> 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.</span></span></span>
<strong><em>Background & Aim</em></strong><em>:</em> 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.<br>
<strong><em>Methods</em></strong><strong>:</strong> 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.<br>
<strong><em>Results</em></strong>: The mean square error (MSE) of prediction for artificial neural network and neuro-fuzzy method were p=0.2574 and p=0.0007, respectively.<br>
<strong><em>Conclusion</em>:</strong> 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