ارايه يك سيستم هوشمند در تشخيص بيماري عروق كرونري قلب با استفاده از شبكه عصبي احتمالي

Presenting an Intelligent System for Diagnosis of Coronary Heart Disease By Using Probabilistic Neural Network

چكيده مقدمه: انتخاب روش مناسب براي مدل سازي و تحليل داده هاي سلامت و بهداشت، مبتني بر نوع داده هاي موجود، بس يار مهم و در موارد ي بس يار حساس است. تحقيق حاضر باهدف تعيين بسته بودن يا نبودن عروق كرنري قلب بر اساس شبكه عصبي احتمالي انجام شد. روش بررسي: اين تحقيق، از نوع كاربردي و اجرايي بود و در سال 1392 شمسي در بيمارستان كوثر شيراز انجام شد جامعه آمار ي اي ن پژوهش افرادي بودند كه در شهريورماه سال 1392 شمسي تحت آنژيوگرافي عروق كرنري قلب قرار گرفتند . تعداد نمونه مورد مطالعه بر اساس فرمول 1 محاسبه شد. لذا تعداد 152 نفر از افراد فوق به صورت تصادف ي انتخاب شدند . در / مربوطه و تقسيم تعداد نرون هاي لايه مخفي بر ميزان خطاي 0 پياده سازي هاي انجام شده، از 85 درصد داده ها جهت مرحله آموزش شبكه و 15 درصد باقيمانده جهت مرحله آزمون شبكه استفاده شد . در اي ن به منظورپيش بين ي بيمار ي عروق كرنر ي قلب استفاده شد . شبكه (PNN: Probabilistic Neural Network) پژوهش از شبكه عصبي احتمالي 2/ با پردازنده 4 Corei 7 پياده سازي گرديد و بر روي سيستم 5 / عصبي پيشنهاد شده با استفاده از امكانات و توابع موجود در نرم افزارمتلب نسخه 12 تحت ويندوز 7 شبيه سازي شد. GB و حافظه 4 GHz بودند. عملكرد سيستم ارايه شده بر اساس اي ن (Sensitivity) و حساسيت (Specificity) يافته ها: شاخص هاي عملكردي اين سيستم، اختصاصيت 0 و 1 به دست آمد. درنهايت سيستم طراحي و پياده سازي شده توانست با دقت بهتر ي / شاخص ها در مرحله آزمون شبكه به ترتيب معادل اعداد 94 نسبت به تحقيقات مشابه در اين زمينه، افراد داراي بيماري عروق كرنري را تشخيص دهد. نتيجه گيري: نتايج اين تحقيق نشان داد كه در جامعه آماري موردمطالعه، شبكه هاي عصب ي احتما لي بهتر و قو ي تر از سايرشبكه ها ي عصب ي در تشخيص بيماري عمل كرده اند. اين روش به علت اختصاصيت و حساسيت بالا مي تواند از عوارض و آسيب هاي احتمالي آنژيوگرافي در بيماراني كه نياز به آن ندارند، جلوگيري نمايد. همچنين مي تواند بيما راني را كه واقعاً به ا ي ن اقدامات تشخ يص ي ني از دارند در سر يع تر ين زمان و بيشتر ين دقتمشخص نمايد. واژه هاي كليدي: بيماري عروق كرنري؛ پيش بيني؛ شبكه هاي عصبي (كامپيوتر).

Abstract 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. Keywords: Coronary Artery Disease; Forecasting; Neural Networks (Computer).