Journal of Ilam University of Medical Sciences

fa پیش بینی بیماری قلبی با استفاده از شبکه عصبی مصنوعی بهبود یافته Prediction of Cardiovascular Diseases Using an Optimized Artificial Neural Network اپیدمیولوژی immunology پژوهشي Research مقدمه: پیش بینی صحیح بیماری قلبی افراد از اهمیت زیادی برخوردار است، لذا برای این پیش بینی بایستی از آن دسته مدل هایی استفاده کرد که دارای حداقل خطا و حداکثر اطمینان باشد .از این رو در این مطالعه از ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک جهت ارزیابی مبتلا بودن افراد به سکته قلبی و نارسایی احتقانی استفاده شد. مواد و روش ها: در این تحقیق از شبکه عصبی مصنوعی پرسپترون چندلایه با الگوریتم پس انتشار خطا که با الگوریتم ژنتیک ترکیب شده جهت ارزیابی وضعیت دو بیماری قلبی استفاده شد. در این مقاله با استفاده از روش نمونه گیری خوشه ای اطلاعات بیمارستان آیت الله گلپایگانی قم که شامل 497 بیمار قلبی بود جمع آوری شد و نتایج با استفاده از نمودار راک مورد ارزیابی قرار گرفت. در نهایت داده ها که مشتمل بر متغیرهای فردی و بالینی مانند سن، جنسیت، تنگی نفس، تغییرات فشارخون و تعدادی آزمایش خون بود توسط تابع انتقال سیگموئید و تانژانت سیگموئید انتخاب و با تعداد 19 نرون ورودی و پنج نرون لایه میانی شبکه عصبی آموزش داده شد. یافته‌ های پژوهش: بررســــی ‌ها نشان داد که شبکه عصبی با پنج نرون لایه میانی دارای دقت بالاتری نسبت به سایر حالت ‌ها می‌ باشد و می ‌توان با ارائه این شبکه عصبی با دقت 7/97 درصد بیماران سکته قلبی را پیش بینی کرد. بحث و نتیجه گیری: در این مطالعه با ترکیب شبکه عصبی و الگوریتم ژنتیک مدلی جهت پیش بینی بیماری قلبی ارائه شد. در این پژوهش سعی شد که از  فاکتورهای مهم و کم هزینه جهت پیش بینی بیماری قلبی استفاده شود به‌ طوری که با کمترین هزینه شخص از بیماری خود آگاهی پیدا کند. Introduction:  It is of utmost importance to predict cardiovascular diseases correctly. Therefore, it is necessary to utilize those models with a minimum error rate and maximum reliability. This study aimed to combine an artificial neural network with the genetic algorithm to assess patients with myocardial infarction and congestive heart failure.   Materials & Methods: This study utilized a multi-layer perceptron artificial neural network and a backpropagation algorithm combined with a genetic algorithm to assess the condition of two patients with cardiovascular diseases. The medical records of 497 patients with cardiovascular diseases at Ayatollah Golpayegani Hospital, Qom, Iran, were collected using a clustering sampling method. The data were analyzed using a Receiver Operating Characteristics Curve. Eventually, the data, including personal and clinical variables of patients (i.e., age, gender, dyspnea, blood pressure variations, and blood test results) were selected using sigmoid-transfer and tangent-sigmoid functions. Following that, the neural network was trained with 19 input neurons and 5 middle-layer neurons.   Findings: According to the results, a neural network with 5 middle-layer neurons has more precision, compared to other modes. Therefore, it is possible to predict myocardial infarction in the patients using this neural network with a minimum of 97.7% precision.   Discussion & Conclusions: An artificial neural network was combined with a genetic algorithm and proposed as a model to predict myocardial infarction in this study. Moreover, it was attempted to utilize important and cost-effective factors for cardiovascular diseases. As a result, the patients can be aware of their disease at the lowest cost.   پیش بینی, بیماری قلبی, داده کاوی, شبکه عصبی مصنوعی, الگوریتم ژنتیک Artificial neural network, cardiovascular disease, Data mining, Genetic algorithm, Prediction 15 23 http://sjimu.medilam.ac.ir/browse.php?a_code=A-10-4730-1&slc_lang=fa&sid=1 Jalal Rezaeenoor جلال رضایی نور j. rezaee@qom. ac. ir 9600319475328460040573 9600319475328460040573 Yes Dept of Industrial Engineering, Faculty of Technology and Engineering, University of Qom, Qom, Iran گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران Ghofran Saadi غفران سعدی g.saadi87@yahoo.com 9600319475328460040574 9600319475328460040574 No Dept of Industrial Engineering, Faculty of Technology and Engineering, University of Qom, Qom, Iran گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران Meysam Jahani میثم جهانی jahany.meysam@gmail.com 9600319475328460040575 9600319475328460040575 No Dept of Computer Engineering, Faculty of Technology and Engineering, University of Esfehan, Esfehan, Iran گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران