پديد آورندگان :
عباسي، حامد دانشگاه آزاد اسلامي واحد تهران مركزي - گروه مهندسي پزشكي، تهران، ايران , شجاعي، شاهرخ دانشگاه آزاد اسلامي واحد تهران مركزي - گروه مهندسي پزشكي، تهران، ايران , نادري، نسيم دانشگاه علوم پزشكي تهران - مركز پزشكي و پژوهشي - گروه قلب و پيوند قلب، تهران, ايران
كليدواژه :
پيش‌بيني , شبكه‌ي عصبي مصنوعي , مقاومت عروق ريوي , اكوكارديوگرافي
چكيده فارسي :
امروزه جهت تصميم گيري در مورد بسياري از عمل‌هاي جراحي قلب و بررسي شرايط و آمادگي بيمار براي انجام عمل جراحي، از روش اندازه‌گيري مقاومت عروق ريوي استفاده مي‌شود. اگر مقدار اين مقاومت از يك حد آستانه بالاتر باشد، بيمار به عنوان غيرقابل عمل در نظر گرفته شده و حتي گاهي درمان‌هايي براي كاهش مقاومت عروق ريوي در مراحل اوليه‌ي بيماريهاي اين عروق انجام مي‌شود كه براي پيگيري كاهش مقاومت عروق ريوي نيز لازم است تا اين پارامتر مجددا اندازه‌گيري شود. در حال حاضر تنها معيار براي اندازه‌گيري اين پارامتر، استفاده از روش‌هاي كاتتريسم است كه روشي تهاجمي بوده و با عوارض جانبي زيادي همراه است. هدف از انجام اين تحقيق، ارائه‌ي يك روش غيرتهاجمي به جاي روش تهاجمي كاتتريزاسيون قلبي، از طريق پيش‌بيني مقاومت عروق ريوي بر مبناي داده‌هاي اكوكارديوگرافي توسط شبكه‌هاي عصبي مصنوعي مي‌باشد. اين تحقيق روي 591 بيمار صورت گرفته است. پس از انجام اكوكارديوگرافي براي تمامي بيماران، داده‌هاي اكوكارديوگرافي (mPAP، dPAP، sPAP، PCWP، CO) به عنوان ورودي شبكه‌ي عصبي و مقاومت عروق ريوي تمام بيماران (حاصل از كاتتريزاسيون قلبي) به عنوان خروجي شبكه‌ي عصبي مورد ارزيابي قرار گرفته و در نهايت ارتباط بين داده‌هاي اكوكارديوگرافي و PVRcath به دست آمده است. براي بررسي عمل‌كرد شبكه‌ي عصبي پيشنهادي، به طور معمول از 75% داده‌ها براي آموزش و از 25% داده‌ها براي آزمون استقاده شده و هم‌چنين براي آموزش بهتر شبكه‌ي عصبي، اين نسبت‌ها تغيير داده شده است. در نتايج پياده‌سازي، ميانگين مربعات خطا به ترتيب براي داده‌هاي آموزش و آزمون شبكه‌ي عصبي پيشنهادي در مدل اول برابر با 0/37 و 0/27، در مدل دوم برابر با 14/67 و 10/76 و در مدل سوم برابر با 15/82 و 9/58 به دست آمده است.
چكيده لاتين :
Today, in order to decide on many cardiac surgeries, and whether the patient is able to get under surgery or the time of surgery is passed, it is necessary to measure pulmonary vascular resistance and if the resistance is above a threshold, the patient is considered to be non-surgery; and sometimes, some therapies are used to reduce the resistance of the pulmonary arteries to the initial disease of the arteries, in which, in order to track down the resistance of the pulmonary vascular, a re-measurement of this parameter is required. Currently, the golden standard of this measure is the use of catheterization procedures, which are aggressive and associated with complications. The purpose of this study is to replace a non-invasive method, rather than an invasive method of cardiac catheterization, by predicting pulmonary vascular resistance based on echocardiographic data by artificial neural networks. Research was performed on 591 patients. Echocardiography was recorded for all subjects, and the echocardiographic data (mPAP, dPAP, sPAP, PCWP, CO) as the neural network input and pulmonary vascular resistance of all patients who were subjected to previous catheterization was evaluated as the output of the neural network and thus, it was obtained, the relationship between echocardiography data and PVRcath. The proposed neural network was typically learned with 75% of the data, and was tested with 25% of the data, and these ratios were modified to better learn the neural network. As a result of implementation, the mean squared error, respectively, for the learning and testing data for the proposed neural network, was 0.37 and 0.27 for the first model, 14.67 and 10.76 for the second model, and 15.82 and 9.58 for the third model.
