بررسي افتراقي مننژيت باكتريال از انواع ديگر مننژيت به روش منطق فازي و شبكه ي عصبي

Assessment of Differential Diagnosis of Bacterial Meningitis from other Types of Meningitis Using Fuzzy Logic and Neural Networks

زمینه و هدف: تشخیص افتراقی مننژیت باكتریال امری پیچیده است، زیرا ویژگی های تشخیصی زیادی در آن دخالت دارد. از سوی دیگر، امروزه منطق فازی و شبكه های عصبی مبنای بسیاری از سیستم های هوشمند هستند و ظرفیت لازم را برای حل مشكلات تشخیصی این بیماری دارند. هدف این مقاله، مقایسه ی منطق فازی و شبكه های عصبی مصنوعی در افتراق مننژیت باكتریال از سایر مننژیت هاست.  روش بررسی: در این مطالعه برای تشخیص افتراقی مننژیت باكتریال از سایر مننژیت ها،  ابتدا 6 فاكتور اصلی با مشورت پزشكان انتخاب شد. در مرحله دوم از نرم افزار MatLab برای طراحی سیستم ها استفاده شد و سپس با استفاده از داده های 26 بیمار هر دو سیستم ارزیابی گردید. یافته ها: تشخیص افتراقی مننژیت باكتریال از دیگر مننژیت ها در سیستم مبتنی بر منطق فازی، صحت، ویژگی و حساسیت  تشخیص 88، 92 و 100، و در سیستم مبتنی بر شبكه ی عصبی نیز 92، 94 و 88 درصد را نشان داد. آزمون كاپای این دو به ترتیب 0/830(0/001>p) و 0/830 با (0/001>p) و فضای زیر منحنی ROC نیز معادل و 0/940 و 0/910 بود. نتیجه گیری: حساسیت، میزان تطابق و عملكرد روش منطق فازی نسبت به روش شبكه عصبی بهتر است. اگر چه، منطق فازی برای تشخیص افتراقی مننژیت باكتریال قابل اعتمادتر بود. اما از آنجایی كه دو سیستم با استفاده از داده های 26 بیمار و از یك مركز مورد ارزیابی قرار گرفته، بهتر است در مطالعات آینده موارد بیشتری بررسی شود.

Background and Aim: Bacterial meningitis detection is a complicated problem because of having several components in order to be diagnosed and distinguished from other types of meningitis. Fuzzy logic and neural network, frequently used in expert systems, are able to distinguish such diseases. The purpose of this paper is to compare Fuzzy logic and artificial neural networks for distinguishing bacterial meningitis from other types of meningitis. Materials and Methods: In this study to detect and distinguish bacterial meningitis from other types of meningitis, in the first step 6 attributes were selected by infectious disease specialists. In the second step, systems were designed by Matlab software. The systems were evaluated by 26 records of meningitis patients, and results were analyzed by SPSS software. Results: The evaluation showed that the accuracy, specificity and sensitivity of fuzzy method were 88%, 92% and 100% respectively and those of neural network methods were 92%, 94% and 88% respectively. The Kappa test result in fuzzy and neural network methods were 0.83 (p<0.001) and 0.83 (p<0.001). The areas under the ROC curves were 0.94 and 0.91 respectively. Conclusion: The sensitivity, the Kappa test results and the areas under the ROC curve of the fuzzy logic method were better than neural network method. However the fuzzy logic method is more reliable to distinguish bacterial meningitis from other type of Meningitis, the evaluation result were obtained from 26 records of meningitis patient which were hospitalized in the same center leads to the study be still open.